CN112364253B - 一种智能餐饮服务方案的生成方法和系统 - Google Patents

一种智能餐饮服务方案的生成方法和系统 Download PDF

Info

Publication number
CN112364253B
CN112364253B CN202110045353.3A CN202110045353A CN112364253B CN 112364253 B CN112364253 B CN 112364253B CN 202110045353 A CN202110045353 A CN 202110045353A CN 112364253 B CN112364253 B CN 112364253B
Authority
CN
China
Prior art keywords
customer
served
layer
data
static
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110045353.3A
Other languages
English (en)
Other versions
CN112364253A (zh
Inventor
卢国鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xingrong (Shanghai) Information Technology Co.,Ltd.
Original Assignee
Shanghai Xingrong Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Xingrong Information Technology Co ltd filed Critical Shanghai Xingrong Information Technology Co ltd
Priority to CN202110045353.3A priority Critical patent/CN112364253B/zh
Priority to CN202110625705.2A priority patent/CN113254776B/zh
Publication of CN112364253A publication Critical patent/CN112364253A/zh
Application granted granted Critical
Publication of CN112364253B publication Critical patent/CN112364253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/10—Controlling the intensity of the light
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/20—Controlling the colour of the light
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • H05B47/105—Controlling the light source in response to determined parameters
    • H05B47/115—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings
    • H05B47/125—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings by using cameras
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • H05B47/165—Controlling the light source following a pre-assigned programmed sequence; Logic control [LC]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Finance (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本说明书涉及信息技术领域，特别涉及一种智能餐饮服务方案的生成方法和系统。所述智能餐饮服务方案的生成方法包括：获取一个或多个待服务客户的特征数据，特征数据至少包括待服务客户的静态数据和待服务客户的动态数据；对一个或多个待服务客户中的每一个：将待服务客户的特征数据输入训练好的智能服务方案确定模型，确定与待服务客户对应的智能服务方案、待服务客户所在区域的灯光亮度值和灯光色度值。本说明书实施例提供的方法通过使用自定义的机器学习模型处理多种特征数据，解决了在大型餐饮场所仅能够使用标准学习模型提供标准化的智能服务的问题，从而可以在降低人工服务成本的同时，为待服务客户及时准确的提供个性化的智能服务。

Description

一种智能餐饮服务方案的生成方法和系统
技术领域
本说明书涉及信息技术领域，特别涉及一种智能餐饮服务方案的生成方法和系统。
背景技术
随着科技的发展，越来越多的系统、装置、线上以及线下服务实现了智能服务。但是在大型餐饮场所，主要依靠真人提供服务，同时客户群体存在流动性大、包含各个年龄段等特点，现有方案较难自动为每个客户提供个性化的服务。例如：在《一种机器人的智能服务方法》（专利公布号CN106096576A）中，使用场景意图识别模型处理采集到的行为数据信息，获得服务对象的场景意图，然后机器人可以根据场景意图对服务对象进行服务，具体到餐厅场景，对应的场景意图为：点菜、上菜、结账、倒茶。在该技术方案中，使用的行为数据信息只包括静态数据，例如服务对象的生物特征：人脸、指纹、声音、气味、虹膜、手形、掌纹、签名、步态中的一种或多种组合。并且使用标准的机器学习模型（例如支持向量机分类器、贝叶斯分类器等）训练的分类器来处理静态数据，仅可以提供诸如点菜、上菜等标准化服务，而较难针对每个客户提供个性化的服务，例如：自动为有联网需求的用户投送无线网络信息、智能调节客户所在区域的灯光等。
因此，为了可以及时准确的识别大型餐饮场所中客户的潜在服务需求，为每个客户及时提供个性化的智能服务，同时降低人工服务的成本，期望提供一种智能餐饮服务方案的生成方法和系统。
发明内容
本说明书实施例之一提供一种智能餐饮服务方案的生成方法，所述方法包括：
获取一个或多个待服务客户的特征数据，所述特征数据至少包括所述待服务客户的静态数据和所述待服务客户的动态数据；对所述一个或多个待服务客户中的每一个：将所述待服务客户的所述特征数据输入训练好的智能服务方案确定模型，确定与所述待服务客户对应的智能服务方案、所述待服务客户所在区域的灯光亮度值和灯光色度值；其中，所述智能服务方案包括：无线网络信息投送、送儿童椅、菜品推荐和音乐控制；所述智能服务方案确定模型包括静态特征提取层、动态特征提取层、特征融合层、灯光控制层和决策层；所述静态特征提取层基于所述待服务客户的静态数据获取静态特征；所述动态特征提取层基于所述待服务客户的动态数据获取动态特征；所述特征融合层基于所述静态特征、所述动态特征，获取融合特征；所述灯光控制层基于所述融合特征，输出所述待服务客户所在区域的灯光亮度值和灯光色度值；所述决策层基于所述融合特征，输出所述智能服务方案；所述待服务客户的静态数据包括所述待服务客户的一个或多个第一图像和/或所述待服务客户的历史特征数据；所述待服务客户的动态数据包括所述待服务客户的连续N个时间点的第二图像数据，N为大于2的整数。
本说明书实施例之一提供一种智能餐饮服务方案的生成系统，所述系统包括：
特征数据获取模块和智能服务方案确定模块；所述特征数据获取模块用于获取一个或多个待服务客户的特征数据，所述特征数据至少包括所述待服务客户的静态数据和所述待服务客户的动态数据；所述智能服务方案确定模块用于对所述一个或多个待服务客户中的每一个：将所述待服务客户的所述特征数据输入训练好的智能服务方案确定模型，确定与所述待服务客户对应的智能服务方案、所述待服务客户所在区域的灯光亮度值和灯光色度值；其中，所述智能服务方案包括：无线网络信息投送、送儿童椅、菜品推荐和音乐控制；所述智能服务方案确定模型包括静态特征提取层、动态特征提取层、特征融合层、灯光控制层和决策层；所述静态特征提取层基于所述待服务客户的静态数据获取静态特征；所述动态特征提取层基于所述待服务客户的动态数据获取动态特征；所述特征融合层基于所述静态特征、所述动态特征，获取融合特征；所述灯光控制层基于所述融合特征，输出所述待服务客户所在区域的灯光亮度值和灯光色度值；所述决策层基于所述融合特征，输出所述智能服务方案；所述待服务客户的静态数据包括所述待服务客户的一个或多个第一图像和/或所述待服务客户的历史特征数据；所述待服务客户的动态数据包括所述待服务客户的连续N个时间点的第二图像数据，N为大于2的整数。
本说明书实施例之一提供一种智能餐饮服务方案的生成装置，所述装置包括：
处理器和存储设备，所述存储设备用于存储指令，当所述处理器执行指令时，实现智能餐饮服务方案的生成方法。
本说明书实施例提供的方法可以在降低人工服务成本的同时，为待服务客户及时准确的提供个性化的智能服务。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书的一些实施例所示的智能餐饮服务方案生成系统的场景示意图；
图2是根据本说明书的一些实施例所示的智能餐饮服务方案生成方法的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书的一些实施例所示的智能餐饮服务方案生成系统的场景示意图。
如图1所示，智能餐饮服务方案生成系统100可以包括服务器110、网络120、图像采集设备130、用户终端140和控制器150。
在一些实施例中，智能餐饮服务方案生成系统100可以被广泛应用于各种线下餐饮服务的场景中，例如：大型火锅店、西餐厅、咖啡厅等。在一些实施例中，当待服务客户进入线下餐饮服务场景时，服务器110可以通过网络120从图像采集设备130和/或用户终端140获取待服务客户的特征数据，基于待服务客户的特征数据确定针对该客户的智能餐饮服务方案，并将服务方案发送至控制器150，控制器150基于服务方案对服务场景中的装置进行控制，以为待服务客户提供相应的智能服务。
在一些实例中，智能餐饮服务方案生成系统100可以通过在不同的设备上分别执行不同的功能，或一个设备同时执行多个功能，以实现本说明书实施例描述的一个或多个智能餐饮服务方案生成方法的功能。
服务器110与图像采集设备130、用户终端140可以通过网络120相连，或直接相连。控制器150可以直接连接于服务器110或者处于服务器110的内部。
服务器110可以用于管理资源以及处理来自控制系统的至少一个组件或外部数据源（例如，云数据中心）的数据和/或信息。在一些实施例中，服务器110可以是一组或多组服务器。该多组服务器可以是集中式或分布式的（例如，服务器110可以是分布式系统），可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中，服务器110可以是区域的或者远程的。在一些实施例中，服务器110可以在云平台上实施，或者以虚拟方式提供。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，服务器110可包含处理设备。处理设备可以处理从其他设备或系统组成部分中获得的数据和/或信息。处理器可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本说明书中描述的功能。在一些实施例中，处理设备可以包含一个或多个子处理设备（例如，单核处理设备或多核多芯处理设备）。仅作为示例，处理设备可以包括中央处理器（CPU）、专用集成电路（ASIC）、专用指令处理器（ASIP）、图形处理器（GPU）、物理处理器（PPU）、数字信号处理器（DSP）、现场可编程门阵列（FPGA）、可编辑逻辑电路（PLD）、控制器、微控制器单元、精简指令集电脑（RISC）、微处理器等或以上任意组合。
网络120可以连接系统的各组成部分和/或连接控制系统与外部资源部分。网络120使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。例如，网络120可以包括电缆网络、光纤网络、电信网络、互联网、局域网络（LAN）、广域网络（WAN）、无线局域网络（WLAN）、城域网（MAN）、公共交换电话网络（PSTN）、蓝牙网络、紫蜂网络（ZigBee）、近场通信（NFC）、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采取多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换点120-1、120-2、…，通过这些进出点场景100的一个或多个组件可连接到网络120上以交换数据和/或信息。
图像采集设备130可以用于采集待服务客户的信息和/或数据。在一些实施例中，图像采集设备130可以采集一个待服务客户的特征数据，也可以同时采集多个待服务客户的特征数据。在一些实施例中，图像采集设备130可以包括一个或多个采集设备，例如，图像采集设备130-1、图像采集设备130-2等。在一些实施例中，图像采集设备130可以包括但不限于针孔摄像头、鱼眼摄像头、旋转摄像头等，或其他具有图像采集功能的设备中的一种或其任意组合。
用户终端140可以用于输入和/或获取数据或信息。例如，可以通过用户终端140获取待服务客户的静态数据或者动态数据。在一些实施例中，用户终端140可以为个人终端设备，也可以为公共终端设备。例如，用户终端140可以为待服务客户的手机，或餐饮服务系统中的电子点菜系统等。在一些实施例中，用户终端140可包括移动电话140-1、平板电脑140-2、笔记本电脑140-3等或以上任意组合。
控制器150可以用于控制智能餐饮服务方案生成系统100中的服务系统。例如，控制器150可以控制服务系统（或场景）中的电子设施等。在一些实施例中，控制器150可以包括但不限于灯光控制模块150-1、音乐控制模块150-2、信息投送控制模块150-3等或以上任意组合。
图2是根据本说明书的一些实施例所示的智能餐饮服务方案生成方法的示例性流程图。
步骤210，获取一个或多个待服务客户的特征数据，所述特征数据至少包括所述待服务客户的静态数据和所述待服务客户的动态数据。具体地，该步骤210可以由特征数据获取模块执行。
在一些实施例中，待服务客户可以为在餐饮场所内具有潜在服务需求的客户。例如：刚进入餐饮场所的客户、已经落座的客户等。
在一些实施例中，待服务客户的静态数据可以包括待服务客户的一个或多个第一图像和/或待服务客户的历史特征数据。第一图像可以为待服务客户处于静止状态（例如就坐、站立）时拍摄的图像。第一图像可以通过多种方式进行采集。例如：可以使用图像采集设备130对餐饮场所内的客户进行拍摄来获取第一图像。又例如：可以使用用户终端140在待服务客户使用点餐系统点餐时拍摄。在一些实施例中，历史特征数据可以包括待服务客户的历史行为特征和/或个人特征。待服务客户的历史行为特征可以反映待服务客户在餐饮场所的历史操作行为。历史行为特征可以包括但不限于待服务客户对历史服务方案的反馈或者建议、待服务客户的点餐习惯等一种或多种的组合。处理设备可以通过多种方式获取待服务客户的历史行为特征。例如：可以从服务系统的数据库中获取待服务客户的历史特征数据。个人特征可以反映待服务客户的个人信息。在一些实施例中，个人特征可以包括但不限于待服务客户的姓名、年龄、联系方式、性别、爱好等。处理设备可以通过多种方式获取待服务客户的个人特征。例如：可以通过待服务客户在点餐APP的注册信息来获取待服务客户的个人特征。
在一些实施例中，待服务客户的动态数据包括待服务客户的连续N个时间点的第二图像数据，N为大于2的整数。第二图像数据可以为待服务客户在运动状态时拍摄的图像。第二图像可以通过多种方式进行采集。例如：可以在处理设备根据第一图像判断出待服务客户做出运动姿态的情况下，使用图像采集设备130对待服务客户进行连续拍摄来获取第二图像。
步骤220，将待服务客户的特征数据输入训练好的智能服务方案确定模型，确定与待服务客户对应的智能服务方案、待服务客户所在区域的灯光亮度值和灯光色度值。具体地，该步骤220可以由智能服务方案确定模块执行。
在一些实施例中，可以使用训练好的智能服务方案确定模型来确定与待服务客户对应的智能服务方案、待服务客户所在区域的灯光亮度值和灯光色度值。智能服务方案包括但不限于：无线网络信息投送、送儿童椅、菜品推荐和音乐控制等。在一些实施例中，智能服务方案确定模型可以包括静态特征提取层、动态特征提取层、特征融合层、灯光控制层和决策层。静态特征提取层可以基于待服务客户的静态数据获取静态特征。静态特征可以反映待服务客户的外貌、情绪、生日、是否携带儿童等各种信息。动态特征提取层基于待服务客户的动态数据获取动态特征。动态特征可以反映待服务客户行走的速度、是否有拿出手机的动作等各种信息。特征融合层基于静态特征和动态特征，获取融合特征。相对于单独的静态特征或者动态特征，融合特征可以更加准确反映待服务客户当前的状况。例如：静态特征包含客户携带低龄儿童的信息，动态特征包含客户刚刚落座的信息，通过特征融合层的融合，融合特征可以反映出待服务客户需要宝宝椅的信息。决策层基于融合特征，输出智能服务方案。例如：如果融合特征反映了待服务客户第一次拿出手机的信息，则决策层可以输出“通过beacon信标向客户投送Wifi密码”的服务方案。又例如：如果融合特征反映了待服务客户是老人，且经常点粥类菜品的信息，那么决策层可以输出“推荐养生菜单”的服务方案。灯光控制层可以基于融合特征，输出待服务客户所在区域的灯光亮度值和灯光色度值。例如：当融合特征反映了待服务客户当天过生日的信息时，灯光控制层输出表示柔和灯光的灯光亮度值和灯光色度值。又例如：当融合特征反映了某个区域有客户落座的信息时，输出较高的灯光亮度值，当融合特征反映了客户离开该区域的信息时，输出较低的灯光亮度值，既环保又可以节约电费。
在一些实施例中，智能服务方案确定模型的输出可以包括：灯光亮度值、灯光色度值以及智能服务方案。在一些实施例中，可以通过控制LED灯的驱动电流来实现灯光的亮度调节。例如：如果要把一个20mA的LED灯的亮度调节到25%，则灯光控制模块150-1可以使用驱动电流调节装置把该LED灯的驱动电流直接调到5mA。在此情况下，智能服务方案确定模型输出的灯光亮度值可以为离散数值表示的驱动电流。例如：5mA、10mA、15mA、25mA等。在一些实施例中，可以通过控制LED灯的工作时间来实现灯光的亮度调节。例如：如果要把一个20mA的LED灯的亮度调节到25%，则灯光控制模块150-1可以使用脉冲宽度调制器（PWM）控制LED灯的开关，以20mA的电流亮25%的时间，灭75%的时间，如此循环，这个循环需要足够的快，快到人眼便无法感到闪烁。在此情况下，智能服务方案确定模型可以输出表示LED灯处于亮的状态的时间占比，例如：25%、50%、75%、100%等。在一些实施例中，使用色温来表示灯光的色度值。色温是表示光线中包含颜色成分的一个计量单位，单位用K来表示。灯光控制模块150-1可以通过设置照明灯的色温来改变灯光的颜色变化。色温可分为冷色光（5500K-7000K）、中性色光（4200K-4500K）、暖色光（2700K-3300K）。智能服务方案确定模型可以输出离散的数值表示的灯光色温，例如：3000K、4300K、6000K等。在一些实施例中，智能服务方案确定模型可以输出使用数值来表示智能服务方案，例如：1-无线网络信息投送、2-送儿童椅、3-推荐养生菜品等。
在一些实施例中，静态特征提取层可以为深度神经网络（Deep Neural Networks，DNN）。在一些实施例中，静态特征提取层可以基于卷积神经网络（Convolutional NeuralNetworks，CNN）构建，CNN是一种深度学习模型或类似于人工神经网络的多层感知器。
在一些实施例中，可以使用卷积神经网络模型提取第一图像的特征向量，然后将该特征向量与经过预处理（例如，归一化或者标准化等）的历史特征数据一起作为静态特征提取层的输入。静态特征提取层可以对输入数据进行至少一次的迭代处理，迭代处理包括卷积运算、归一化运算、激活运算以及降维运算等，得到融合多种类型的静态数据（例如，图像数据、历史特征数据等）的静态特征。
在一些实施例中，动态特征提取层可以为循环神经网络（Recurrent NeuralNetwork， RNN），例如：LSTM（Long-Short Term Memory）、GRU（Gate Recurrent Unit）等。循环神经网络是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（Recursive NeuralNetwork）。
在一些实施例中，在使用动态特征提取层提取动态特征之前，需要对动态数据进行预处理。在一些实施例中，可以使用卷积神经网络模型分别提取N个时间点的第二图像数据的特征向量，得到N个特征向量：
Figure 38322DEST_PATH_IMAGE001
。
在一些实施例中，处理设备（例如，服务器110）可以将获取到的N个特征向量依次作为动态特征提取层的输入，得到N个隐层状态
Figure 841193DEST_PATH_IMAGE002
。具体如下：
在
Figure 980050DEST_PATH_IMAGE003
时刻，将特征向量
Figure 501161DEST_PATH_IMAGE004
输入动态特征提取层，动态特征提取层对特征向量
Figure 750877DEST_PATH_IMAGE004
进行处理，得到
Figure 736150DEST_PATH_IMAGE003
时刻的隐层状态
Figure 482127DEST_PATH_IMAGE005
。在
Figure 490535DEST_PATH_IMAGE006
时刻，将特征向量
Figure 543941DEST_PATH_IMAGE007
输入动态特征提取层，动态特征提取层对特征向量
Figure 321404DEST_PATH_IMAGE007
和
Figure 802064DEST_PATH_IMAGE003
时刻得到的隐层状态
Figure 94505DEST_PATH_IMAGE005
进行处理，得到第
Figure 889286DEST_PATH_IMAGE008
时刻的隐层状态
Figure 583573DEST_PATH_IMAGE009
，以此类推，直到在
Figure 235134DEST_PATH_IMAGE010
时刻，将特征向量
Figure 280450DEST_PATH_IMAGE011
输入动态特征提取层，动态特征提取层对特征向量
Figure 103089DEST_PATH_IMAGE011
和
Figure 651882DEST_PATH_IMAGE012
时刻得到的隐层状态
Figure 739923DEST_PATH_IMAGE013
行处理，得到融合了特征向量1~特征向量N的所有特征的第N个隐层状态
Figure 6957DEST_PATH_IMAGE014
。动态特征提取层输出隐层状态
Figure 143540DEST_PATH_IMAGE014
，处理设备将其作为动态特征。其中，
Figure 546839DEST_PATH_IMAGE015
依次为动态特征提取层处理数据的各个时间点。
本说明书的一些实施例通过使用动态特征提取层提取动态数据的动态特征，可以将N个时间点的图像数据特征融合在一起，使得得到的动态特征可以更加准确的表征N个时间点的图像数据的综合特征。例如：对于一组连续拍摄的客户由餐厅门口走向餐桌的场景的N个图片，处理设备使用动态特征提取层处理该组图片，得到可以表征客户落座的动态特征。
在一些实施例中，特征融合层可以为自定义模型，使用多种方法融合静态特征和动态特征得到融合特征。
在一些实施例中，特征融合层可以将静态特征和动态特征通过拼接得到融合特征。例如，静态特征为：{j1，j2，j3，…，jm}，动态特征为：{d1，d2，d3，…，dn}，则融合特征可以为{ j1，j2，j3，…，jm ，d1，d2，d3，…，dn }。
在一些实施例中，特征融合层可以对静态特征和动态特征进行加法运算得到融合特征。例如，静态特征为：{j1，j2，j3，…，jn}，动态特征为：{d1，d2，d3，…，dm}，其中，m>n，则融合特征可以为{ j1+d1，j2+d2，j3+d3，…，jn+dn，dn+1，…，dm }。
在一些实施例中，因为静态数据和动态数据各自拥有不同的特征，因此静态特征和动态特征可以属于不同的属性空间。属性空间也可以称为样本空间。样本空间是一个实验或随机试验所有可能结果的集合，而随机试验中的每个可能结果称为样本点。例如，如果抛掷一枚硬币，那么样本空间就是集合{正面，反面}，如果投掷一个骰子，那么样本空间就是{1，2，3，4，5，6}。特征融合层可以通过参数矩阵将静态特征和动态特征转换到相同的属性空间中，然后对静态特征和动态特征进行聚合得到融合特征。仅作为示例，融合层的处理过程可以如下：
（一）特征融合层通过使用参数矩阵对静态特征和动态特征分别进行空间转换，得到处于相同属性空间的特征：
Figure 805782DEST_PATH_IMAGE016
和
Figure 560112DEST_PATH_IMAGE017
，计算公式如下：
Figure 297124DEST_PATH_IMAGE018
（1）
Figure 758192DEST_PATH_IMAGE019
（2）
其中，Wd和Wj为在智能服务方案确定模型的训练过程中学习到的参数。
Figure 188036DEST_PATH_IMAGE021
和
Figure 164083DEST_PATH_IMAGE023
分别为动态特征和静态特征。
(二)特征融合层通过加权求和运算对步骤（一）中得到的特征
Figure 704785DEST_PATH_IMAGE016
和
Figure 348256DEST_PATH_IMAGE017
进行聚合，得到融合特征
Figure 621106DEST_PATH_IMAGE025
。计算公式如下：
Figure 350027DEST_PATH_IMAGE026
（3）
其中，
Figure 428842DEST_PATH_IMAGE028
和
Figure 926819DEST_PATH_IMAGE030
分别为静态特征和动态特征对应的权重矩阵，可以在智能服务方案确定模型的训练过程中学习得到。
本说明书中的一些实施例，通过特征融合层融合静态特征和动态特征，得到可以综合表征静态特征和动态特征的融合特征，从而使得灯光控制层和决策层可以做出正确的决策，为客户提供个性化的服务方案。例如：对于携带儿童的客户走进餐厅并落座这一场景，处理设备可以获取到一组客户从门口到座位的图片数据，将其作为动态数据，动态特征提取层可以基于该动态数据，得到客户刚落座的动态特征。处理设备还可以获取到既有成人又有儿童的图片数据，将其作为静态数据，静态特征提取层可以基于该静态数据以及客户的点餐记录得到表征携带儿童且未点菜的静态特征。特征融合层可以基于上述得到的静态特征和动态特征得到融合特征，该融合特征可以表征：携带儿童的客户刚落座。
决策层可以包括但不限于支持向量机模型、Logistic回归模型、朴素贝叶斯分类模型、高斯分布贝叶斯分类模型、决策树模型、随机森林模型、KNN分类模型、自定义模型等。
在一些实施例中，决策层可以为多分类决策树模型。多分类决策树是广泛用于分类和回归任务的模型。本质上，它从一层层的if/else问题中，根据学习到的策略将输入的数据集进行分类。处理设备可以将融合层输出的组成融合特征的多个特征向量分别作为决策层的输入。决策层可以基于在训练过程中得到的策略，基于输入的多个特征向量，输出智能服务方案。
在一些实施例中，决策层可以为包括全连接子层和输出子层的自定义模型。全连接子层用于对融合特征进行分类，输出子层用于基于全连接子层的分类结果确定智能服务方案，并将其输出。
在一些实施例中，决策层的全连接子层包括多个节点，其中的每一个节点对应一种智能服务方案，例如：节点1对应于“提供菜单”服务方案，节点2对应于“提供儿童椅”服务方案，节点3对应于“投送wifi密码”服务方案等。全连接子层的每一个节点的值可以表示融合特征对应的智能服务方案与该节点对应的智能服务方案之间的相似度。在一些实施例中，全连接子层的每一个节点的值可以通过计算输入决策层的融合特征与该节点对应的权重参数之间的相似度得到。其中，权重参数可以在智能方案确定模型的训练过程中学习得到。计算相似度的方法可以包括但不限于：内积计算、向量之间的距离计算等。
在一些实施例中，决策层的输出子层可以对全连接子层的节点的值进行归一化处理，基于得到的处理结果确定决策层输出的智能服务方案。在一些实施例中，输出子层可以将全连接子层中的多个节点的值组成的向量输入softmax函数进行处理，将多个相似度转换为多个分数表示的概率。输出子层可以将最高分数对应的智能服务方案确定为最终输出的智能服务方案。
灯光控制层可以包括但不限于支持向量机模型、Logistic回归模型、朴素贝叶斯分类模型、高斯分布贝叶斯分类模型、决策树模型、随机森林模型、KNN分类模型、自定义模型等。
在一些实施例中，灯光控制层可以为多分类决策树模型。处理设备可以将融合层输出的组成融合特征的多个特征向量分别作为灯光控制层的输入。灯光控制层可以基于在训练过程中得到的策略，基于输入的多个特征向量，输出灯光亮度值和灯光色度值。
在一些实施例中，灯光控制层可以为包括全连接子层和输出子层的自定义模型。全连接子层用于对融合特征进行分类，输出子层用于基于全连接子层的分类结果确定待服务客户所在区域的灯光亮度值和灯光色度值，并将其输出。
在一些实施例中，灯光控制层的全连接层包括多个节点，其中，每一个节点对应一种灯光的亮度值或者色度值。例如：灯光控制模块150-1共计可以设置4种亮度值、3种色度值，则节点1~节点4分别对应亮度值1~亮度值4，节点5~节点7分别对应色度值1~色度值3。在一些实施例中，全连接子层的每一个节点的值可以通过计算输入决策层的融合特征与该节点对应的权重参数之间的相似度得到。其中，权重参数可以在智能方案确定模型的训练过程中学习得到。计算相似度的方法可以包括但不限于：内积计算、向量之间的距离计算等。
在一些实施例中，灯光控制层的输出子层可以对灯光控制层的全连接子层的节点的值进行归一化处理，基于得到的处理结果确定灯光控制层输出的灯光亮度值或者灯光色度值。在一些实施例中，输出子层可以将全连接子层中的多个节点的值组成的向量输入softmax函数进行处理，将多个相似度转换为多个分数表示的概率。灯光控制层的输出子层可以将最高分数对应的灯光亮度值确定为最终输出的灯光亮度值，将最高分数对应的灯光色度值确定为最终输出的灯光色度值。
本说明书中的一些实施例，通过自定义的决策层和灯光控制层，使用在智能服务方案确定模型训练过程中得到的权重参数对融合特征进行分类，可以得到较为合理的智能服务方案。例如：对于表征“携带儿童的客户刚落座”的融合特征，分别将其输入到决策层和灯光控制层，决策层可以基于该融合特征得到“提供儿童椅”的服务方案，灯光控制层可以基于该融合特征输出较高的灯光亮度值，以及较为柔和的灯光色度值。
在一些实施例中，智能服务方案确定模型可以通过训练机器学习模型来获取。可以获取多个客户的特征数据作为训练样本，根据多个客户对历史服务方案的反馈结果对训练样本进行标注，标签为多个客户的特征数据对应的智能服务方案以及灯光亮度值和色度值。使用带有标注的训练样本对静态特征提取层、动态特征提取层、特征融合层、灯光控制层和决策层进行端到端的学习（end-to-end learning），获得训练好的智能服务方案确定模型。端到端学习，也称端到端训练，是指不需要明确地给出不同模块或阶段的功能，中间过程不需要人为干预的一种机器学习模型的训练方法。
在对智能服务方案确定模型进行端对端的训练过程中，处理设备可以将训练样本数据输入到静态特征提取层的输入端和动态特征提取层的输入端，然后将决策层输出的智能服务方案和灯光控制层输出的灯光亮度值和灯光色度值与样本数据的标签作比较得到误差值。然后处理设备可以根据误差值使用反向传播算法（Backpropagation algorithm，BP算法），计算智能服务方案确定模型中所有需要学习的参数（例如，静态特征提取层的参数、动态特征提取层的参数、特征融合层的参数等）对应的梯度，并且结合随机梯度下降算法调整智能服务方案确定模型的参数，直到模型收敛。对于每一个独立学习任务（例如，静态特征提取层、动态特征提取层、特征融合层）不需要单独执行数据标注。
反向传播是“误差反向传播”的简称，通常与最优化方法（如梯度下降法）结合使用，是用来训练多处理层的机器学习模型的常见方法。该方法对机器学习模型中所有参数计算损失函数的梯度，计算得到的梯度会反馈给最优化方法，用来更新参数以最小化损失函数。
本说明书中的一些实施，在智能服务方案确定模型的训练过程中，通过端到端的学习省去了对静态特征提取层、动态特征提取层以及特征融合层的数据标注，节约了大量的数据标注的工作量，减少模型训练的时间周期。同时因为端到端的训练方法可以充分考虑各个处理层参数之间的相互关联关系，因此可以使得智能服务方案确定模型可以根据输入数据得到较为合理的个性化服务方案。
本说明书实施例可能带来的有益效果包括但不限于：（1）本说明书实施例所述的方法，采用了自定义模型的方式，分别使用静态特征提取层提取静态特征，使用动态特征提取层来处理动态数据（多个连续时间点的图片数据），从而得到待服务客户的动态特征，然后使用特征融合层融合静态特征和动态特征，最后通过决策层输出智能服务方案。相对于应用各类标准的机器学习模型的方式，本说明书实施例中提供的方案不仅能够处理静态数据，还可以同步处理动态数据，使得机器学习模型可以基于更加丰富并准确反映客户潜在需求的特征数据输出智能服务方案，从而可以及时准确的为客户提供个性化的智能服务，而不仅仅是提供标准化的餐饮服务（例如，点菜、结账等）。（2）本说明书实施例所述的方法，基于在餐饮场所采集的特征数据，使用自定义的机器学习模型来输出智能服务方案，从而不再需要通过人工观察来获取客户的潜在服务需求，从而降低了人工成本。（3）本说明书实施例所述的方法，充分利用采集到的特征数据，在模型输出智能服务方案的同时输出待服务客户所在区域的灯光亮度值，从而可以在满足餐厅照明需求的同时通过调节灯光亮度值来达到节能环保的目的。（4）由于在大型餐饮场所可以获取到的客户相关的数据相对混杂，很难建立起明确的规则来根据不同种类的信息得到预测的结果。本说明书中的一些实施例，借助于端到端的学习方式，通过数据自动学习而形成的智能方案确定模型具有较高的准确性。另一方面，由于在餐饮场所可以获取到的客户数据的数量很大，采取各类标准的机器学习模型会造成模型参数量过多、对训练数据量要求大、容易出现过拟合等问题。在本说明书的一些实施例中，采用自定义模型的方式，通过静态特征提取层提取静态特征，动态特征提取层提取动态特征，特征融合层融合静态特征和动态特征，相对于标准机器学习模型，每个处理层需要处理的数据量较为减少，避免了模型参数过多从而运行效率低、训练数据需求过大或者过拟合的问题。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书实施例的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书实施例进行各种修改、改进和修正。该类修改、改进和修正在本说明书实施例中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书实施例的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书实施例的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书实施例的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书实施例各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本说明书实施例所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书实施例流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书实施例披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书实施例对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书实施例的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (6)

1.一种智能餐饮服务方案的生成方法，所述方法包括：
获取一个或多个待服务客户的特征数据，所述特征数据至少包括所述待服务客户的静态数据和所述待服务客户的动态数据；
对所述一个或多个待服务客户中的每一个：
将所述待服务客户的所述特征数据输入训练好的智能服务方案确定模型，确定与所述待服务客户对应的智能服务方案、所述待服务客户所在区域的灯光亮度值和灯光色度值；其中，所述智能服务方案包括：无线网络信息投送、送儿童椅、菜品推荐和音乐控制；
所述智能服务方案确定模型包括静态特征提取层、动态特征提取层、特征融合层、灯光控制层和决策层；
所述静态特征提取层基于所述待服务客户的静态数据获取静态特征，所述静态特征反映所述待服务客户的外貌、情绪、生日、是否携带儿童中的至少一种信息；
所述动态特征提取层基于所述待服务客户的动态数据获取动态特征，所述动态特征反映所述待服务客户行走的速度、是否有拿出手机的动作中的至少一种信息；
所述特征融合层基于所述静态特征、所述动态特征，获取融合特征，所述特征融合反映所述待服务客户当前的状况；
所述灯光控制层基于所述融合特征，输出所述待服务客户所在区域的灯光亮度值和灯光色度值；
所述决策层基于所述融合特征，输出所述智能服务方案；
所述待服务客户的静态数据包括所述待服务客户的一个或多个第一图像和/或所述待服务客户的历史特征数据，所述第一图像为所述待服务客户处于静止状态时拍摄的图像；
所述待服务客户的动态数据包括所述待服务客户的连续N个时间点的第二图像数据，N为大于2的整数，所述第二图像数据为所述待服务客户在运动状态时拍摄的图像；
所述灯光亮度值为离散数值表示的驱动电流，或表示LED灯处于亮的状态的时间占比；
所述灯光色度值为离散的数值表示的灯光色温；
所述智能服务方案确定模型通过以下方式获得：
获取多个客户的特征数据作为训练样本；
根据所述多个客户对历史服务方案的反馈结果对所述训练样本进行标注，标签为所述多个客户的特征数据对应的智能服务方案；
使用带有标注的训练样本对所述静态特征提取层、所述动态特征提取层、所述特征融合层、所述灯光控制层和所述决策层进行端对端训练，获得训练好的智能服务方案确定模型。
2.根据权利要求1所述的方法，所述静态特征提取层、所述特征融合层以及所述灯光控制层为深度神经网络。
3.根据权利要求2所述的方法，所述动态特征提取层为循环神经网络。
4.根据权利要求3所述的方法，所述决策层为多分类决策树模型。
5.一种智能餐饮服务方案的生成系统，其中，包括特征数据获取模块和智能服务方案确定模块；
所述特征数据获取模块用于获取一个或多个待服务客户的特征数据，所述特征数据至少包括所述待服务客户的静态数据和所述待服务客户的动态数据；
所述智能服务方案确定模块用于对所述一个或多个待服务客户中的每一个：
将所述待服务客户的所述特征数据输入训练好的智能服务方案确定模型，确定与所述待服务客户对应的智能服务方案、所述待服务客户所在区域的灯光亮度值和灯光色度值；其中，所述智能服务方案包括：无线网络信息投送、送儿童椅、菜品推荐和音乐控制；
所述智能服务方案确定模型包括静态特征提取层、动态特征提取层、特征融合层、灯光控制层和决策层；
所述静态特征提取层基于所述待服务客户的静态数据获取静态特征，所述静态特征反映所述待服务客户的外貌、情绪、生日、是否携带儿童中的至少一种信息；
所述动态特征提取层基于所述待服务客户的动态数据获取动态特征，所述动态特征反映所述待服务客户行走的速度、是否有拿出手机的动作中的至少一种信息；
所述特征融合层基于所述静态特征、所述动态特征，获取融合特征，所述特征融合反映所述待服务客户当前的状况；
所述灯光控制层基于所述融合特征，输出所述待服务客户所在区域的灯光亮度值和灯光色度值；
所述决策层基于所述融合特征，输出所述智能服务方案；
所述待服务客户的静态数据包括所述待服务客户的一个或多个第一图像和/或所述待服务客户的历史特征数据，所述第一图像为所述待服务客户处于静止状态时拍摄的图像；
所述待服务客户的动态数据包括所述待服务客户的连续N个时间点的第二图像数据，N为大于2的整数，所述第二图像数据为所述待服务客户在运动状态时拍摄的图像；
所述灯光亮度值为离散数值表示的驱动电流，或表示LED灯处于亮的状态的时间占比；
所述灯光色度值为离散的数值表示的灯光色温；
所述智能服务方案确定模型通过以下方式获得：
获取多个客户的特征数据作为训练样本；
根据所述多个客户对历史服务方案的反馈结果对所述训练样本进行标注，标签为所述多个客户的特征数据对应的智能服务方案；
使用带有标注的训练样本对所述静态特征提取层、所述动态特征提取层、所述特征融合层、所述灯光控制层和所述决策层进行端对端训练，获得训练好的智能服务方案确定模型。
6.一种智能餐饮服务方案的生成装置，其中，包括处理器和存储设备，所述存储设备用于存储指令，当所述处理器执行指令时，实现如权利要求1~4中任一项所述的方法。
CN202110045353.3A 2021-01-14 2021-01-14 一种智能餐饮服务方案的生成方法和系统 Active CN112364253B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110045353.3A CN112364253B (zh) 2021-01-14 2021-01-14 一种智能餐饮服务方案的生成方法和系统
CN202110625705.2A CN113254776B (zh) 2021-01-14 2021-01-14 一种智能餐饮服务方案的生成方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110045353.3A CN112364253B (zh) 2021-01-14 2021-01-14 一种智能餐饮服务方案的生成方法和系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110625705.2A Division CN113254776B (zh) 2021-01-14 2021-01-14 一种智能餐饮服务方案的生成方法和系统

Publications (2)

Publication Number Publication Date
CN112364253A CN112364253A (zh) 2021-02-12
CN112364253B true CN112364253B (zh) 2021-04-27

Family

ID=74534950

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110045353.3A Active CN112364253B (zh) 2021-01-14 2021-01-14 一种智能餐饮服务方案的生成方法和系统
CN202110625705.2A Active CN113254776B (zh) 2021-01-14 2021-01-14 一种智能餐饮服务方案的生成方法和系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110625705.2A Active CN113254776B (zh) 2021-01-14 2021-01-14 一种智能餐饮服务方案的生成方法和系统

Country Status (1)

Country Link
CN (2) CN112364253B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364253B (zh) * 2021-01-14 2021-04-27 上海兴容信息技术有限公司 一种智能餐饮服务方案的生成方法和系统
CN113837901B (zh) * 2021-09-29 2024-08-23 兴容(上海)信息技术股份有限公司 一种餐饮服务的服务动作确定方法
US20230410239A1 (en) * 2022-06-19 2023-12-21 Sin Ying Barbara Fok Proportional control systems and methods for innovation cross-subsidies
CN116546701B (zh) * 2023-04-24 2024-08-16 广东旭宇光电有限公司 基于个性化策略的老人健康照明控制方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133901A (zh) * 2014-08-04 2014-11-05 上海巨浪信息科技有限公司 移动餐饮点单与智能推荐系统
US20180253637A1 (en) * 2017-03-01 2018-09-06 Microsoft Technology Licensing, Llc Churn prediction using static and dynamic features
CN108876662A (zh) * 2018-06-07 2018-11-23 郑州云海信息技术有限公司 智能餐饮服务方法、系统、智能服务中心以及智能终端
CN109659007A (zh) * 2018-11-13 2019-04-19 平安科技（深圳）有限公司 食堂用餐服务方法、装置、计算机设备及存储介质
CN110633417B (zh) * 2019-09-12 2023-04-07 齐鲁工业大学 一种基于服务质量的web服务推荐的方法及系统
CN111291262A (zh) * 2020-01-21 2020-06-16 张馨月 餐饮服务方案的生成方法及系统
CN112364253B (zh) * 2021-01-14 2021-04-27 上海兴容信息技术有限公司 一种智能餐饮服务方案的生成方法和系统

Also Published As

Publication number Publication date
CN112364253A (zh) 2021-02-12
CN113254776B (zh) 2024-05-28
CN113254776A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN112364253B (zh) 一种智能餐饮服务方案的生成方法和系统
Popa et al. Deep learning model for home automation and energy reduction in a smart home environment platform.
US10474933B2 (en) Recognition and training method and apparatus
CN107066628B (zh) 穿衣推荐方法及装置
Zhu et al. Personalized image aesthetics assessment via meta-learning with bilevel gradient optimization
CN109769333A (zh) 事件驱动的家居智能照明方法与系统
US20200257976A1 (en) Algorithmic apparel recommendation
Shah et al. Dynamic user preference parameters selection and energy consumption optimization for smart homes using deep extreme learning machine and bat algorithm
CN109697653A (zh) 产生个体微数据的方法及系统
CN111868742A (zh) 机器实现的面部健康和美容助理
US11157988B2 (en) System and method for fashion recommendations
CN110418478A (zh) 基于cnn的节能灯控方法及装置
CN110288513A (zh) 用于改变人脸属性的方法、装置、设备和存储介质
CN113767398A (zh) 用于基于机器学习的视觉设备选择的装置
EP3699811A1 (en) Machine-implemented beauty assistant for predicting face aging
Jivani et al. A voice controlled smart home solution with a centralized management framework implemented using ai and nlp
CN109918574A (zh) 项目推荐方法、装置、设备及存储介质
KR102447426B1 (ko) 초개인화를 위한 퍼스널 컬러와 타임라인 기반 행동 데이터를 분석하여 라이프스타일 가이드 정보를 추천하는 방법, 장치 및 시스템
CN110135646A (zh) 一种餐厅预估快速上菜的方法、装置及存储介质
CN109376661A (zh) 用于输出信息的方法和装置
CN115047773A (zh) 一种智能家居自动控制方法、装置及智能网关
KR102530527B1 (ko) 건강 정보 기반 식당 추천 서비스 제공 방법, 장치 및 시스템
KR102564996B1 (ko) 인공지능 기반 사용자 맞춤형 건강기능식품 큐레이션 서비스 제공 방법, 장치 및 시스템
WO2023201285A2 (en) Computer-implemented systems and methods for health data analysis and management
US20220343393A1 (en) System and Method for Fashion Recommendations

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 200131 3rd floor, building 1, No. 400, Fangchun Road, Pudong New Area pilot Free Trade Zone, Shanghai

Patentee after: Xingrong (Shanghai) Information Technology Co.,Ltd.

Address before: 200131 3rd floor, building 1, No. 400, Fangchun Road, Pudong New Area pilot Free Trade Zone, Shanghai

Patentee before: SHANGHAI XINGRONG INFORMATION TECHNOLOGY Co.,Ltd.

CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: Room 10g27, No. 2299, Yan'an west road, Changning District, Shanghai 200336

Patentee after: Xingrong (Shanghai) Information Technology Co.,Ltd.

Address before: 200131 3rd floor, building 1, No. 400, Fangchun Road, Pudong New Area pilot Free Trade Zone, Shanghai

Patentee before: Xingrong (Shanghai) Information Technology Co.,Ltd.

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210212

Assignee: SHANGHAI EXANDS COMMUNICATION TECHNOLOGY Co.,Ltd.

Assignor: Xingrong (Shanghai) Information Technology Co.,Ltd.

Contract record no.: X2024980005849

Denomination of invention: A Method and System for Generating an Intelligent Catering Service Scheme

Granted publication date: 20210427

License type: Common License

Record date: 20240516