CN113592183A - 就餐高峰预测方法及装置 - Google Patents

就餐高峰预测方法及装置 Download PDF

Info

Publication number
CN113592183A
CN113592183A CN202110898122.7A CN202110898122A CN113592183A CN 113592183 A CN113592183 A CN 113592183A CN 202110898122 A CN202110898122 A CN 202110898122A CN 113592183 A CN113592183 A CN 113592183A
Authority
CN
China
Prior art keywords
dining
week
time point
people
meal
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.)
Granted
Application number
CN202110898122.7A
Other languages
English (en)
Other versions
CN113592183B (zh
Inventor
陈国栋
寿国良
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.)
Hangzhou Qizhi Internet Technology Co ltd
Original Assignee
Hangzhou Qizhi Internet 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 Hangzhou Qizhi Internet Technology Co ltd filed Critical Hangzhou Qizhi Internet Technology Co ltd
Priority to CN202110898122.7A priority Critical patent/CN113592183B/zh
Publication of CN113592183A publication Critical patent/CN113592183A/zh
Application granted granted Critical
Publication of CN113592183B publication Critical patent/CN113592183B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种就餐高峰预测方法及装置，其中方法包括：获取连续历史星期中的同个指定星期的同个就餐时间点的历史就餐人数；计算各历史星期中的同个指定星期的同个就餐时间点的历史就餐人数的平均值；判断每个指定星期的就餐时间点的历史就餐人数与平均值的比值是否小于第一阈值或大于第二阈值，若是，则剔除对应的指定星期的就餐时间点的历史就餐人数并重新计算平均值；若否，则以平均值作为对当前同个指定星期的同个就餐时间点的就餐人数的预测结果；校正预测结果，并将关联同个指定星期中的对应每个就餐时间点的多个校正结果拟合为就餐高峰预测曲线推送给用户。本发明可引导就餐人员戳峰消费，减少就餐排队时间，缓解食堂服务压力。

Description

就餐高峰预测方法及装置
技术领域
本发明涉及数据统计分析技术领域，具体涉及一种就餐高峰预测方法及装置。
背景技术
目前，餐饮服务企业减少就餐排队时间普遍采用的方法总结如下：
1、实时统计就餐时间点的就餐人数，并统计就餐排队人数，然后将统计结果通过应用APP推送给用户，由用户根据排队人数自己预估就餐等待时间，自主决定是否还需要进行排队等待；
2、根据当前排队人数自动预估排队时间并推送给用户，作为用户决定是否排队的参考，以引导用户避开就开高峰；
3、通过APP自主点餐等方式，提高点餐效率，进而提升餐位的周转率，以减少就餐排队时间；
4、通过人脸识别等结算方式，提高结账效率，以减少就餐排队时间。
但上述的方法均无法对未来某个星期的具体某个就餐时间点的就餐人数进行提前且较为准确地预估，用户无法提前获知就餐高峰点，容易造成某个用餐时间点就餐人数过高，餐饮服务企业疲于应对，用户就餐体验不佳的问题。
发明内容
本发明以引导食堂就餐人员戳峰消费，减少就餐排队时间，提升用餐体验，缓解食堂就餐高峰服务压力为目的，提供了一种就餐高峰预测方法及装置。
为达此目的，本发明采用以下技术方案：
提供一种就餐高峰预测方法，步骤包括：
1）获取连续历史星期中的同个指定星期的同个就餐时间点的历史就餐人数，形成数据集；
2）根据所述数据集，计算各历史星期中的同个所述指定星期的同个所述就餐时间点的历史就餐人数的平均值；
3）判断每个所述指定星期的所述就餐时间点的历史就餐人数与所述平均值的比值是否小于第一阈值或大于第二阈值，
若是，则从所述数据集中剔除对应的所述指定星期的所述就餐时间点的历史就餐人数并返回所述步骤2）重新计算所述平均值；
若否，则以所述平均值作为对当前星期中的同个所述指定星期的同个所述就餐时间点的就餐人数的预测结果；
4）校正所述预测结果，并将关联同个所述指定星期中的对应每个所述就餐时间点的多个校正结果拟合为就餐高峰预测曲线并通过智能终端推送给用户。
优选地，所述步骤1）中的所述历史星期的数量为1-5中的任意一个自然数。
优选地，所述步骤3）中的所述第一阈值为0.5。
优选地，所述第二阈值为1.5。
优选地，所述步骤4）中，对所述预测结果进行校正的方法步骤包括：
4.1）计算每个用户在所述指定星期的所述就餐时间点到食堂就餐的初始概率；
4.2）赋予所述指定星期以及所述指定星期中的所述就餐时间点相对应的用餐影响权重；
4.3）以所述初始概率、所述指定星期对应的用餐影响权重、所述指定星期中的所述就餐时间点三者的乘积值校正所述初始概率，得到概率
Figure 532635DEST_PATH_IMAGE001
；
4.4）判断经校正后的所述概率
Figure 653038DEST_PATH_IMAGE001
的概率值是否大于对应的概率阈值，
若是，则将所述用户确定为会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人员；
若否，则将所述用户确定为不会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人员；
4.5）从数据库中匹配出所述步骤4.4）所确定的会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人数对应的就餐人数预测影响因子，并计算所述步骤3）得到的所述预测结果中记载的就餐人数与匹配到的所述影响因子的乘积作为预测得到的就餐人数；
4.6）实时获取在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的就餐人数，并通过以下公式（1）计算所述步骤4.5）计算得到的预测就餐人数的误差率
Figure 619726DEST_PATH_IMAGE002
：
Figure 218197DEST_PATH_IMAGE003
公式（1）中，
Figure 219520DEST_PATH_IMAGE005
表示所述步骤4.5）计算得到的在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的预测就餐人数；
Figure 979666DEST_PATH_IMAGE007
表示在当前星期中的所述星期的所述就餐时间点到食堂就餐的真实就餐人数；
4.7）根据所述就餐时间点的所处就餐时段的就餐人数的递增或递减趋势，并结合所述误差率
Figure 433650DEST_PATH_IMAGE008
，对所述就餐时间点的下一个就餐时间点的预测就餐人数进行校正。
优选地，所述步骤4.7）中，对所述就餐时间点的下一个就餐时间点的预测就餐人数进行校正的方法为：
若所述就餐时间点的下一个就餐时间点在就餐时段中处于就餐人数单调递增区间，则通过以下公式（2）校正所述就餐时间点的下一个就餐时间点的预测就餐人数：
Figure 570233DEST_PATH_IMAGE009
公式（2）中，
Figure 691642DEST_PATH_IMAGE011
表示经校正后的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数；
Figure 622688DEST_PATH_IMAGE002
表示所述误差率；
Figure 563968DEST_PATH_IMAGE013
表示校正前的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数。
优选地，所述步骤4.7）中，对所述就餐时间点的下一个就餐时间点的预测就餐人数进行校正的方法为：
若所述就餐时间点的下一个就餐时间点在就餐时段中处于就餐人数单调递减区间，则通过以下公式（3）校正所述就餐时间点的下一个就餐时间点的预测就餐人数：
Figure 238663DEST_PATH_IMAGE014
公式（3）中，
Figure 89945DEST_PATH_IMAGE011
表示经校正后的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数；
Figure 706740DEST_PATH_IMAGE002
表示所述误差率；
Figure 886048DEST_PATH_IMAGE012
表示校正前的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数。
优选地，所述步骤4.6）中，实时获取的在所述就餐时间点就餐的就餐人数通过以下方法统计而得：
在每张餐桌上安装若干个人体感应器，每个所述人体感应器对一个对应餐位进行人体感应，每个所述人体感应器的感应方向朝下地面，当就餐人员落座后，所述人体感应器在一预设持续时间内若持续感应到人体，则与各所述人体感应器通信连接的控制器判定对应餐位有就餐人员，并将对应餐位的就餐人数记为“1”，否则记为“0”，所述控制器完成对所有餐位有无就餐人员的判定后，对判定结果进行累加，得到所述就餐时间点
Figure 348123DEST_PATH_IMAGE016
的真实就餐人数。
本发明还提供了一种就餐高峰预测装置，可实现所述的就餐高峰预测方法，所述装置包括：
历史就餐人数获取模块，用于获取连续历史星期中的同个指定星期的同个就餐时间点的历史就餐人数，并形成数据集；
历史就餐人数平均值计算模块，连接所述历史就餐人数获取模块，用于根据所获取的所述数据集，计算各所述历史星期中的同个所述指定星期的同个所述就餐时间点的历史就餐人数的平均值；
数据处理模块，连接所述历史就餐人数平均值计算模块，用于判断每个所述指定星期的所述就餐时间点的历史就餐人数与所述平均值的比值是否小于第一阈值或大于第二阈值，
若是，则从所述数据集中剔除对应的所述指定星期的所述就餐时间点的历史就餐人数；
若否，则将所述平均值作为对当前星期中的同个所述指定星期的同个所述就餐时间点的就餐人数的预测结果输出给数据校正模块；
所述历史就餐人数平均值计算模块，还用于在所述数据处理模块剔除数据后重新计算所述平均值；
所述数据校正模块，连接所述数据处理模块，用于校正所述预测结果；
数据拟合模块，连接所述数据校正模块，用于将经结果校正后的关联同个所述指定星期的对应所述就餐时间点的多个校正结果拟合为所述指定星期的就餐高峰预测曲线；
结果推送模块，连接所述数据拟合模块，用于将所述就餐高峰预测曲线通过智能终端推送给用户。
优选地，所述数据校正模块中具体包括：
就餐初始概率计算单元，用于计算每个用户在所述指定星期的所述就餐时间点到食堂就餐的初始概率；
权重赋予单元，用于赋予所述指定星期以及所述指定星期中的所述就餐时间点相对应的就餐影响权重；
概率校正单元，分别连接所述就餐初始概率计算单元和所述权重赋予单元，用于以所述初始概率、所述指定星期对应的用餐影响权重、所述指定星期中的所述就餐时间点三者的乘积值校正所述初始概率，得到概率
Figure 194856DEST_PATH_IMAGE001
；
就餐人数第一校正单元，连接所述概率校正单元，用于判断经校正后的所述概率
Figure 716973DEST_PATH_IMAGE001
的概率值是否大于对应的概率阈值，
若是，则将所述用户确定为会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人员；
若否，则将所述用户确定为不会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人员；
就餐人数预测影响因子匹配单元，连接所述就餐人数第一校正单元和数据库，用于从所述数据库中匹配出所确定的会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人数对应的就餐人数预测影响因子；
就餐人数预测单元，连接所述数据处理模块和所述就餐人数预测影响因子匹配单元，用于计算所述预测结果中记载的就餐人数与匹配到的所述影响因子的乘积作为预测得到的会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人数；
就餐人数实时获取单元，用于实时获取在当前星期中的所述指定星期的所述就餐时间点到所述食堂就餐的就餐人数；
就餐人数预测误差计算单元，分别连接所述就餐人数预测单元和所述就餐人数实时获取单元，用于通过以下公式（4）计算所述就餐人数预测单元计算得到的预测就餐人数的误差率
Figure 383578DEST_PATH_IMAGE017
：
Figure 649343DEST_PATH_IMAGE018
公式（4）中，
Figure 85003DEST_PATH_IMAGE019
表示经所述就餐人数预测单元计算得到的预测就餐人数；
Figure 309180DEST_PATH_IMAGE007
表示在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的真实就餐人数；
就餐人数第二校正单元，分别连接所述就餐人数预测误差计算单元和所述就餐人数预测单元，用于判断所述就餐时间点的下一个就餐时间点在就餐时段中是否处于就餐人数单调递增区间，
若是，则通过以下公式（5）校正所述就餐时间点的下一个就餐时间点的预测就餐人数：
Figure 197502DEST_PATH_IMAGE020
公式（5）中，
Figure 266958DEST_PATH_IMAGE010
表示经校正后的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数；
Figure 557125DEST_PATH_IMAGE002
表示所述误差率；
Figure 686624DEST_PATH_IMAGE021
表示所述就餐人数预测单元对所述就餐时间点的下一个就餐时间点的预测就餐人数；
若否，则通过以下公式（6）校正所述就餐时间点
Figure 327821DEST_PATH_IMAGE022
的预测就餐人数：
Figure 935388DEST_PATH_IMAGE023
公式（6）中，
Figure 345641DEST_PATH_IMAGE010
表示经校正后的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数；
Figure 646041DEST_PATH_IMAGE002
表示所述误差率；
Figure 508955DEST_PATH_IMAGE021
表示所述就餐人数预测单元对所述就餐时间点的下一个就餐时间点的预测就餐人数。
本发明首先通过历史星期
Figure 61159DEST_PATH_IMAGE024
的就餐时间点的就餐人数数据，得到当前星期中的一指定星期的就餐时间点的就餐人数初步预测结果，然后根据指定星期和就餐时间点对就餐人数的影响权重，对指定星期的就餐时间点的预测就餐人数进行校正，并通过实时获取就餐时间点的就餐人数并计算所校正的预测就餐人数的误差率，然后根据该误差率和就餐时间点的下一就餐时间点的就餐人数增减趋势，对就餐时间点的下一个就餐时间点的预测就餐人数进行校正，由此而确保了就餐人数预测结果的准确率，最终通过将关联不同就餐时间点的多个就餐人数预测结果拟合为就餐高峰曲线并推送给用户，用户可通过该曲线提前获知食堂就餐的峰值时间点，以避开就餐高峰，减少了就餐排队时间，同时缓解了食堂的就餐服务压力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的就餐高峰预测方法的实现步骤图；
图2是对就餐人数预测结果进行校正的方法步骤图；
图3是本发明一实施例提供的就餐高峰预测装置的结构示意图；
图4是就餐高峰预测装置中的数据校正模块的内部结构示意图；
图5是计算历史就餐人数平均值的示例图；
图6是就餐高峰预测曲线的示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的一种就餐高峰预测方法，如图1所示，具体包括：
步骤1）获取连续历史星期
Figure 840765DEST_PATH_IMAGE025
中的同个星期
Figure 718591DEST_PATH_IMAGE026
（指定星期）的同个就餐时间点
Figure 68801DEST_PATH_IMAGE015
的历史就餐人数，形成数据集，记为
Figure 307188DEST_PATH_IMAGE028
，
Figure 426454DEST_PATH_IMAGE026
为1-7中的任意一个自然数（
Figure 271919DEST_PATH_IMAGE029
分别表示星期一、星期二、星期三、星期四、星期五、星期六和星期日），
Figure 358693DEST_PATH_IMAGE025
表示第
Figure 128066DEST_PATH_IMAGE030
个历史星期（
Figure 616685DEST_PATH_IMAGE030
优选取值为1-5中的任意一个自然数，更优选地，
Figure 570734DEST_PATH_IMAGE030
取值为5，即获取连续5个历史星期的历史就餐人数数据），
Figure 895536DEST_PATH_IMAGE031
表示在星期
Figure 452288DEST_PATH_IMAGE026
的就餐时间点
Figure 546146DEST_PATH_IMAGE015
的历史就餐人数（就餐时间点
Figure 530152DEST_PATH_IMAGE015
为就餐时段中的一个就餐时间点，比如中午10:30-13:00为午餐就餐时段，那么11:00或者11:15等为该午餐就餐时段的其中一个就餐时间点，为了便于对在不同时间点就餐的就餐人数的数据统计，本实施例优选以15分钟为间隔，将就餐时段划分为若干个就餐人数统计时间点，该统计时间点即所述的就餐时间点，用
Figure 998042DEST_PATH_IMAGE015
表示，
Figure 374797DEST_PATH_IMAGE015
与下一个就餐人数统计时间点
Figure 572429DEST_PATH_IMAGE022
的间隔时间优选为15分钟），
Figure 478068DEST_PATH_IMAGE032
表示第
Figure 761151DEST_PATH_IMAGE030
个历史星期中的星期
Figure 676017DEST_PATH_IMAGE026
的就餐时间点
Figure 134680DEST_PATH_IMAGE015
的历史就餐人数；
步骤2）根据所获取的数据集
Figure 460488DEST_PATH_IMAGE027
，并通过以下公式（1）计算各历史星期
Figure 981599DEST_PATH_IMAGE025
中的同个星期
Figure 683845DEST_PATH_IMAGE026
的同个就餐时间点
Figure 606802DEST_PATH_IMAGE015
的历史就餐人数的平均值
Figure 103511DEST_PATH_IMAGE033
，
Figure 377497DEST_PATH_IMAGE034
图5示出了计算历史就餐人数平均值
Figure 617855DEST_PATH_IMAGE033
的示例图。图5中框选出的29号、5号、12号、19号、26号均对应星期二，29号为历史星期
Figure 395318DEST_PATH_IMAGE035
中的星期二，5号为历史星期
Figure 62929DEST_PATH_IMAGE036
中的星期二；12号为历史星期
Figure 293053DEST_PATH_IMAGE037
中的星期二；19号为历史星期
Figure 478046DEST_PATH_IMAGE038
中的星期二；26号为历史星期
Figure 359284DEST_PATH_IMAGE039
中的星期二。图5中框选出的“2号”为需要进行就餐人数预测的星期二。
比如29号的11点整（历史就餐时间点
Figure 948528DEST_PATH_IMAGE015
）的就餐人数为80，5号11点整的就餐人数为13；12号11点整的就餐人数为55；19号11点整的就餐人数为103；26号的就餐人数为97，那么根据公式（1），计算得到平均值
Figure 180795DEST_PATH_IMAGE040
；
由于5号11点的就餐人数大幅减少为13可能是因为受暴雨等恶劣环境天气等因素的影响，该就餐人数数据并非为正常的就餐人数数据，所以需要将非正常的数据予以剔除，为剔除非正常就餐人数数据，本实施例提供就餐高峰预测方法还包括：
步骤3）判断每个星期
Figure 513687DEST_PATH_IMAGE026
的就餐时间点
Figure 515010DEST_PATH_IMAGE015
的历史就餐人数与平均值
Figure 540735DEST_PATH_IMAGE033
的比值是否小于第一阈值（经实际分析总结，第一阈值优选为0.5）或大于第二阈值（第二阈值优选为1.5），
若是，则从数据集
Figure 994719DEST_PATH_IMAGE027
中剔除对应的星期
Figure 396882DEST_PATH_IMAGE026
的就餐时间点
Figure 987132DEST_PATH_IMAGE015
的历史就餐人数并返回步骤2）重新计算平均值
Figure 183758DEST_PATH_IMAGE033
；比如5号11点的就餐人数为13，平均值为69.6，
Figure 125038DEST_PATH_IMAGE041
，则将5号11点的就餐人数数据剔除，然后根据剩余的在该就餐时间点
Figure 455525DEST_PATH_IMAGE015
的历史就餐人数数据重新计算平均值
Figure 916593DEST_PATH_IMAGE042
（四舍五入确定为84人）；
若否，则以步骤2）计算的平均值
Figure 533388DEST_PATH_IMAGE033
作为对
Figure 712697DEST_PATH_IMAGE043
星期的星期
Figure 440351DEST_PATH_IMAGE026
的同个就餐时间点
Figure 287084DEST_PATH_IMAGE015
的就餐人数的预测结果；
步骤4）校正预测结果，并将关联同个星期
Figure 74780DEST_PATH_IMAGE026
中的对应就餐时间点
Figure 131598DEST_PATH_IMAGE015
的多个校正结果拟合为就餐高峰预测曲线（拟合曲线如图6所示）并通过智能终端推送给用户。
图2示出了本发明对就餐人数预测结果进行校正的方法步骤图。如图2所示，本实施例校正就餐人数预测结果的方法具体包括：
步骤4.1）计算每个用户（就餐人员，智慧食堂的就餐服务系统中记录有每个就餐人员的身份信息以及就餐记录，智慧食堂通常采用订餐制度，餐饮服务对象群体固定，所以可以根据每个就餐对象的身份信息和历史就餐信息计算出其在某个就餐时间点到食堂就餐的初始概率）在星期
Figure 148095DEST_PATH_IMAGE026
的就餐时间点
Figure 833023DEST_PATH_IMAGE015
到食堂就餐的初始概率，记为
Figure 542354DEST_PATH_IMAGE044
，
Figure 211101DEST_PATH_IMAGE044
通过以下公式（2）计算而得：
Figure 31290DEST_PATH_IMAGE045
公式（2）中，
Figure 570724DEST_PATH_IMAGE046
表示用户
Figure 450956DEST_PATH_IMAGE047
在历史星期
Figure 75841DEST_PATH_IMAGE025
的每个星期
Figure 434141DEST_PATH_IMAGE026
的就餐时间点
Figure 382678DEST_PATH_IMAGE015
有用餐行为的次数，
Figure 168231DEST_PATH_IMAGE048
表示用户
Figure 421358DEST_PATH_IMAGE047
在历史星期
Figure 832617DEST_PATH_IMAGE025
的每个星期
Figure 628534DEST_PATH_IMAGE026
的就餐时间点
Figure 99836DEST_PATH_IMAGE015
有用餐行为和无用餐行为的总次数；
比如，用户
Figure 450046DEST_PATH_IMAGE047
在历史星期
Figure 399416DEST_PATH_IMAGE035
、
Figure 784261DEST_PATH_IMAGE036
、
Figure 567409DEST_PATH_IMAGE037
、
Figure 654183DEST_PATH_IMAGE039
的星期二（分别对应图5中框选出的29号、5号、12号和26号）的11：00有用餐行为，在历史星期
Figure 423556DEST_PATH_IMAGE038
的星期二（对应图5中框选出的19号）的11:00没有用餐行为，则该用户
Figure 912175DEST_PATH_IMAGE047
在星期
Figure 476011DEST_PATH_IMAGE049
（
Figure 315660DEST_PATH_IMAGE050
的下一个星期）的星期二的11:00到该食堂用餐的初始概率
Figure 357566DEST_PATH_IMAGE051
，表示该用户有80%的概率会在10:45-11:00之间到该食堂就餐；
但由于智慧食堂的服务对象通常为公司员工或学校师生，他们的就餐规律有一个特点，通常在周一到食堂就餐的概率最高，周二周三周四次之，周五到食堂就餐的概率最小。周五周六放假休息到食堂就餐的概率基本为零。而且午餐的就餐概率最高，早餐次之，晚餐多数回家吃饭，就餐概率最低，所以一个星期中的不同日，同一日的不同就餐时段对是否就餐的影响程度并不一致，为此本发明通过赋予不同星期
Figure 841637DEST_PATH_IMAGE026
和同个星期
Figure 825642DEST_PATH_IMAGE026
的不同就餐时间点
Figure 372161DEST_PATH_IMAGE015
相对应的用餐影响权重，对初始概率进行校正；
步骤4.2）赋予
Figure 732604DEST_PATH_IMAGE043
星期中的星期
Figure 946548DEST_PATH_IMAGE026
以及星期
Figure 101454DEST_PATH_IMAGE026
中的就餐时间点
Figure 135269DEST_PATH_IMAGE015
相对应的用餐影响权重，分别记为
Figure 33824DEST_PATH_IMAGE052
和
Figure 367854DEST_PATH_IMAGE053
；比如赋予星期一的用餐影响权重为1，赋予星期二的用餐影响权重为0.95、赋予星期三的用餐影响权重为0.9，赋予星期四的权重为0.85，赋予星期五的权重为0.8等。赋予处于午餐时段的就餐时间点
Figure 428082DEST_PATH_IMAGE015
的用餐影响权重为1，赋予处于早餐时段的就餐时间点
Figure 604986DEST_PATH_IMAGE015
的用餐影响权重为0.95，赋予处于晚餐时段的就餐时间点
Figure 792385DEST_PATH_IMAGE015
的用餐影响权重为0.9；
步骤4.3）通过以下公式（3）校正步骤1）计算的初始概率，得到用户
Figure 964609DEST_PATH_IMAGE047
在
Figure 477630DEST_PATH_IMAGE043
星期中的星期
Figure 735305DEST_PATH_IMAGE026
中的就餐时间点
Figure 726394DEST_PATH_IMAGE015
进行就餐的概率
Figure 753125DEST_PATH_IMAGE001
，
Figure 171468DEST_PATH_IMAGE054
4.4）判断经校正后的概率
Figure 650860DEST_PATH_IMAGE001
的概率值是否大于对应的概率阈值，
若是，则将用户
Figure 445641DEST_PATH_IMAGE047
确定为会在
Figure 326878DEST_PATH_IMAGE043
星期中的星期
Figure 916122DEST_PATH_IMAGE026
的就餐时间点
Figure 148389DEST_PATH_IMAGE015
到食堂就餐的人员；
若否，则将用户
Figure 746861DEST_PATH_IMAGE047
确定为不会在
Figure 482604DEST_PATH_IMAGE043
星期中的星期
Figure 508329DEST_PATH_IMAGE026
的就餐时间点
Figure 962313DEST_PATH_IMAGE015
到食堂就餐的人员；
4.5）从数据库中匹配出步骤4.4）所确定的会在
Figure 833317DEST_PATH_IMAGE043
星期中的星期
Figure 954726DEST_PATH_IMAGE026
的就餐时间点
Figure 151352DEST_PATH_IMAGE015
到食堂就餐的人数对应的就餐人数预测影响因子，并计算步骤3）得到的预测结果中记载的就餐人数与匹配到的影响因子的乘积作为预测得到的就餐人数；
我们发现，根据就餐概率
Figure 967998DEST_PATH_IMAGE055
预测的就餐人数与实际的就餐人数具有变化规律可循的关系，我们将这种变化关系用影响因子表示，根据就餐概率
Figure 157540DEST_PATH_IMAGE055
预测得到的就餐人数所对应的影响因子，我们对步骤3）以平均值估算的就餐人数预测结果进行校正。考虑到保密原因，本发明不对该变化关系的获取过程进行具体阐述。
4.6）实时获取在
Figure 618608DEST_PATH_IMAGE043
星期中的星期
Figure 235403DEST_PATH_IMAGE026
的就餐时间点
Figure 414712DEST_PATH_IMAGE015
到食堂就餐的就餐人数，并通过以下公式（4）计算步骤4.5）计算得到的预测就餐人数的误差率
Figure 407945DEST_PATH_IMAGE002
：
Figure 723520DEST_PATH_IMAGE018
公式（4）中，
Figure 511216DEST_PATH_IMAGE056
表示步骤4.5）计算得到的在
Figure 912241DEST_PATH_IMAGE043
星期中的星期
Figure 443586DEST_PATH_IMAGE026
的就餐时间点
Figure 879246DEST_PATH_IMAGE015
到食堂就餐的预测就餐人数；
Figure 837844DEST_PATH_IMAGE057
表示在
Figure 726165DEST_PATH_IMAGE043
星期中的星期
Figure 84638DEST_PATH_IMAGE026
的就餐时间点
Figure 374805DEST_PATH_IMAGE015
到食堂就餐的真实就餐人数；
获取食堂实时就餐人数的方法有许多，比如可根据某个时间段的就餐结算人员数量计算该时间段内的就餐人员数量。但以结算量统计就餐人数的统计结果准确率不高，本发明统计每个就餐时间点的就餐人数的方法优选为：
在每张餐桌上安装若干个人体感应器，每个人体感应器对一个对应餐位（一张餐桌可能有两个餐位，可能有四个餐位也可能有10个餐位等）进行人体感应，每个人体感应器的感应方向朝下地面（感应方向朝上或朝其他方向，容易将非就餐人员，比如食堂工作人员，就餐完毕离去的人员感应为就餐人员，影响就餐人数统计准确度），当就餐人员落座后，人体感应器在一预设持续时间（比如持续10s）内若持续感应到人体，则与各人体感应器通信连接的控制器判定对应餐位有就餐人员，并将对应餐位的就餐人数记为“1”，否则记为“0”，控制器完成对所有餐位有无就餐人员的判定后，对判定结果进行累加，得到就餐时间点
Figure 379670DEST_PATH_IMAGE015
的真实就餐人数。
4.7）根据就餐时间点
Figure 4556DEST_PATH_IMAGE015
的所处就餐时段的就餐人数的递增或递减趋势，并结合误差率
Figure 159593DEST_PATH_IMAGE002
，对就餐时间点
Figure 553534DEST_PATH_IMAGE015
的下一个就餐时间点
Figure 604667DEST_PATH_IMAGE022
的预测就餐人数进行校正，具体校正方法为：
若就餐时间点
Figure 982428DEST_PATH_IMAGE022
在就餐时段中处于就餐人数单调递增区间（比如图6中的就餐时段11:00-11:30的就餐人数为一单调递增区间，就餐时间点11:15处于该单调递增区间中），则通过以下公式（5）校正就餐时间点
Figure 144419DEST_PATH_IMAGE022
（比如11:15）的预测就餐人数：
Figure 658446DEST_PATH_IMAGE020
公式（5）中，
Figure 880479DEST_PATH_IMAGE058
表示经校正后的在就餐时间点
Figure 214378DEST_PATH_IMAGE022
进行就餐的预测就餐人数；
Figure 180060DEST_PATH_IMAGE002
表示误差率；
Figure 548593DEST_PATH_IMAGE012
表示校正前的在就餐时间点
Figure 331741DEST_PATH_IMAGE022
进行就餐的预测就餐人数。
若就餐时间点
Figure 434826DEST_PATH_IMAGE022
在就餐时段中处于就餐人数单调递减区间（比如图5中的11:30-11:45的就餐人数为一单调递减区间，就餐时间点11:30处于该单调递交区间中），则通过以下公式（6）校正就餐时间点
Figure 453467DEST_PATH_IMAGE022
（比如11:30）的预测就餐人数：
Figure 427239DEST_PATH_IMAGE023
本发明还提供了一种就餐高峰预测装置，可实现所述的就餐高峰预测方法，如图3所示，该装置包括：
历史就餐人数获取模块，用于获取连续历史星期
Figure 240343DEST_PATH_IMAGE059
中的同个星期
Figure 565145DEST_PATH_IMAGE026
的同个就餐时间点
Figure 121897DEST_PATH_IMAGE015
的历史就餐人数，并形成数据集，记为
Figure 809231DEST_PATH_IMAGE027
，
Figure 793236DEST_PATH_IMAGE026
为1-7中的任意一个自然数，
Figure 870914DEST_PATH_IMAGE059
表示第
Figure 106723DEST_PATH_IMAGE060
个历史星期，
Figure 304355DEST_PATH_IMAGE061
表示在星期
Figure 209994DEST_PATH_IMAGE026
的就餐时间点
Figure 493077DEST_PATH_IMAGE015
的历史就餐人数，
Figure 673522DEST_PATH_IMAGE062
表示第
Figure 991240DEST_PATH_IMAGE060
个历史星期中的星期
Figure 333360DEST_PATH_IMAGE026
的就餐时间点
Figure 838159DEST_PATH_IMAGE015
的历史就餐人数；
历史就餐人数平均值计算模块，连接历史就餐人数获取模块，用于根据所获取的数据集
Figure 291137DEST_PATH_IMAGE027
，计算各历史星期
Figure 463361DEST_PATH_IMAGE059
中的同个星期
Figure 710803DEST_PATH_IMAGE026
的同个就餐时间点
Figure 375003DEST_PATH_IMAGE015
的历史就餐人数的平均值
Figure 287464DEST_PATH_IMAGE033
；
数据处理模块，连接历史就餐人数平均值计算模块，用于判断每个星期
Figure 579774DEST_PATH_IMAGE026
的就餐时间点
Figure 263696DEST_PATH_IMAGE015
的历史就餐人数与平均值
Figure 8667DEST_PATH_IMAGE063
的比值是否小于第一阈值或大于第二阈值，
若是，则从数据集
Figure 537868DEST_PATH_IMAGE064
中剔除对应的星期
Figure 684685DEST_PATH_IMAGE026
的就餐时间点
Figure 273929DEST_PATH_IMAGE015
的历史就餐人数；
若否，则将平均值
Figure 381563DEST_PATH_IMAGE063
作为对
Figure 963722DEST_PATH_IMAGE043
星期的星期
Figure 715778DEST_PATH_IMAGE026
的同个就餐时间点
Figure 990770DEST_PATH_IMAGE015
的就餐人数的预测结果输出给数据校正模块；
历史就餐人数平均值计算模块，还用于在数据处理模块剔除数据后重新计算平均值
Figure 195487DEST_PATH_IMAGE063
；
数据校正模块，连接数据处理模块，用于校正预测结果；
数据拟合模块，连接数据校正模块，用于将经结果校正后的关联同个星期
Figure 315758DEST_PATH_IMAGE026
中的对应就餐时间点
Figure 187899DEST_PATH_IMAGE015
的多个校正结果拟合为星期
Figure 368214DEST_PATH_IMAGE026
的就餐高峰预测曲线；
结果推送模块，连接数据拟合模块，用于将就餐高峰预测曲线通过智能终端推送给用户。
如图4所示，数据校正模块中具体包括：
就餐初始概率计算单元，用于计算预测结果中的每个用户在星期
Figure 60226DEST_PATH_IMAGE026
的就餐时间点
Figure 249768DEST_PATH_IMAGE015
到食堂就餐的初始概率，记为
Figure 976416DEST_PATH_IMAGE066
，
Figure 62052DEST_PATH_IMAGE067
通过以下公式（7）计算而得：
Figure 241361DEST_PATH_IMAGE068
公式（7）中，
Figure 258031DEST_PATH_IMAGE069
表示用户
Figure 573606DEST_PATH_IMAGE047
在历史星期
Figure 361302DEST_PATH_IMAGE070
的每个星期
Figure 27907DEST_PATH_IMAGE026
的就餐时间点
Figure 559251DEST_PATH_IMAGE015
有用餐行为的次数，
Figure 729332DEST_PATH_IMAGE072
表示用户
Figure 828875DEST_PATH_IMAGE047
在历史星期
Figure 966465DEST_PATH_IMAGE070
的每个星期
Figure 786653DEST_PATH_IMAGE026
的就餐时间点
Figure 326088DEST_PATH_IMAGE015
有用餐行为和无用餐行为的总次数；
权重赋予单元，用于赋予
Figure 471898DEST_PATH_IMAGE043
星期中的星期
Figure 96783DEST_PATH_IMAGE026
以及星期
Figure 720663DEST_PATH_IMAGE026
中的就餐时间点
Figure 114604DEST_PATH_IMAGE015
相对应的就餐影响权重，分别记为
Figure 431316DEST_PATH_IMAGE052
和
Figure 543497DEST_PATH_IMAGE073
；
概率校正单元，分别连接就餐初始概率计算单元和权重赋予单元，用于通过以下公式（8）校正初始概率，得到用户
Figure 705488DEST_PATH_IMAGE047
在
Figure 219515DEST_PATH_IMAGE043
星期中的星期
Figure 175970DEST_PATH_IMAGE026
中的就餐时间点
Figure 41026DEST_PATH_IMAGE015
进行就餐的概率
Figure DEST_PATH_IMAGE075
，
Figure 193659DEST_PATH_IMAGE076
就餐人数第一校正单元，连接概率校正单元，用于判断经校正后的概率
Figure 312925DEST_PATH_IMAGE074
的概率值是否大于对应的概率阈值，
若是，则将用户
Figure 96073DEST_PATH_IMAGE047
确定为会在
Figure 182847DEST_PATH_IMAGE043
星期中的星期
Figure 952219DEST_PATH_IMAGE026
的就餐时间点
Figure 440839DEST_PATH_IMAGE015
到食堂就餐的人员；
若否，则将用户
Figure 4675DEST_PATH_IMAGE047
确定为不会在
Figure 313165DEST_PATH_IMAGE043
星期中的星期
Figure 620650DEST_PATH_IMAGE026
的就餐时间点
Figure 370300DEST_PATH_IMAGE015
到食堂就餐的人员；
就餐人数预测影响因子匹配单元，连接就餐人数第一校正单元和数据库，用于从数据库中匹配出所确定的会在
Figure 354306DEST_PATH_IMAGE043
星期中的星期
Figure 166404DEST_PATH_IMAGE026
的就餐时间点
Figure 792426DEST_PATH_IMAGE015
到食堂就餐的人数对应的就餐人数预测影响因子；
就餐人数预测单元，连接数据处理模块和就餐人数预测影响因子匹配单元，用于计算预测结果中记载的就餐人数与匹配到的影响因子的乘积作为预测得到的会在
Figure 740791DEST_PATH_IMAGE043
星期中的星期
Figure 302222DEST_PATH_IMAGE026
的所述就餐时间点
Figure 585305DEST_PATH_IMAGE015
到食堂就餐的人数；
就餐人数实时获取单元，用于实时获取在
Figure 234592DEST_PATH_IMAGE043
星期中的星期
Figure 286730DEST_PATH_IMAGE026
的就餐时间点
Figure 628850DEST_PATH_IMAGE015
到食堂就餐的就餐人数；
就餐人数预测误差计算单元，分别连接就餐人数预测单元和就餐人数实时获取单元，用于通过以下公式（9）计算就餐人数预测单元计算得到的预测就餐人数的误差率
Figure 399229DEST_PATH_IMAGE008
：
Figure DEST_PATH_IMAGE077
公式（9）中，
Figure DEST_PATH_IMAGE079
表示经就餐人数预测单元计算得到的会在
Figure 242420DEST_PATH_IMAGE043
星期中的星期
Figure 149065DEST_PATH_IMAGE026
的就餐时间点
Figure 396506DEST_PATH_IMAGE015
到食堂就餐的预测就餐人数；
Figure DEST_PATH_IMAGE081
表示在
Figure 982077DEST_PATH_IMAGE043
星期中的星期
Figure 973167DEST_PATH_IMAGE026
的就餐时间点
Figure 999898DEST_PATH_IMAGE015
到食堂就餐的真实就餐人数；
就餐人数第二校正单元，分别连接就餐人数预测误差计算单元和就餐人数预测单元，用于判断所述就餐时间点
Figure 418241DEST_PATH_IMAGE015
的下一个就餐时间点
Figure 163212DEST_PATH_IMAGE022
在就餐时段中是否处于就餐人数单调递增区间，
若是，则通过以下公式（10）校正就餐时间点
Figure 692413DEST_PATH_IMAGE022
的预测就餐人数：
Figure 573651DEST_PATH_IMAGE082
公式（10）中，
Figure DEST_PATH_IMAGE083
表示经校正后的在就餐时间点
Figure 881004DEST_PATH_IMAGE022
进行就餐的预测就餐人数；
Figure 864003DEST_PATH_IMAGE084
表示误差率；
Figure 446163DEST_PATH_IMAGE012
表示就餐人数预测单元对就餐时间点
Figure 198219DEST_PATH_IMAGE022
的预测就餐人数；
若否，则通过以下公式（11）校正就餐时间点
Figure 496649DEST_PATH_IMAGE022
的预测就餐人数：
Figure DEST_PATH_IMAGE085
公式（11）中，
Figure 888316DEST_PATH_IMAGE086
表示经校正后的在就餐时间点
Figure 415112DEST_PATH_IMAGE022
进行就餐的预测就餐人数；
Figure 21674DEST_PATH_IMAGE084
表示误差率；
Figure 201988DEST_PATH_IMAGE013
表示就餐人数预测单元对就餐时间点
Figure 894001DEST_PATH_IMAGE022
的预测就餐人数。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (10)

1.一种就餐高峰预测方法，其特征在于，步骤包括：
1）获取连续历史星期中的同个指定星期的同个就餐时间点的历史就餐人数，形成数据集；
2）根据所述数据集，计算各历史星期中的同个所述指定星期的同个所述就餐时间点的历史就餐人数的平均值；
3）判断每个所述指定星期的所述就餐时间点的历史就餐人数与所述平均值的比值是否小于第一阈值或大于第二阈值，
若是，则从所述数据集中剔除对应的所述指定星期的所述就餐时间点的历史就餐人数并返回所述步骤2）重新计算所述平均值；
若否，则以所述平均值作为对当前星期中的同个所述指定星期的同个所述就餐时间点的就餐人数的预测结果；
4）校正所述预测结果，并将关联同个所述指定星期中的对应每个所述就餐时间点的多个校正结果拟合为就餐高峰预测曲线并通过智能终端推送给用户。
2.根据权利要求1所述的就餐高峰预测方法，其特征在于，所述步骤1）中的所述历史星期的数量为1-5中的任意一个自然数。
3.根据权利要求1所述的就餐高峰预测方法，其特征在于，所述步骤3）中的所述第一阈值为0.5。
4.根据权利要求1所述的就餐高峰预测方法，其特征在于，所述第二阈值为1.5。
5.根据权利要求1所述的就餐高峰预测方法，其特征在于，所述步骤4）中，对所述预测结果进行校正的方法步骤包括：
4.1）计算每个用户在所述指定星期的所述就餐时间点到食堂就餐的初始概率；
4.2）赋予所述指定星期以及所述指定星期中的所述就餐时间点相对应的用餐影响权重；
4.3）以所述初始概率、所述指定星期对应的用餐影响权重、所述指定星期中的所述就餐时间点三者的乘积值校正所述初始概率，得到概率
Figure 259107DEST_PATH_IMAGE001
；
4.4）判断经校正后的所述概率
Figure 815860DEST_PATH_IMAGE001
的概率值是否大于对应的概率阈值，
若是，则将所述用户确定为会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人员；
若否，则将所述用户确定为不会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人员；
4.5）从数据库中匹配出所述步骤4.4）所确定的会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人数对应的就餐人数预测影响因子，并计算所述步骤3）得到的所述预测结果中记载的就餐人数与匹配到的所述影响因子的乘积作为预测得到的就餐人数；
4.6）实时获取在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的就餐人数，并通过以下公式（1）计算所述步骤4.5）计算得到的预测就餐人数的误差率
Figure 909718DEST_PATH_IMAGE002
：
Figure 159302DEST_PATH_IMAGE004
公式（1）中，
Figure 892772DEST_PATH_IMAGE005
表示所述步骤4.5）计算得到的在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的预测就餐人数；
Figure 456477DEST_PATH_IMAGE006
表示在当前星期中的所述星期的所述就餐时间点到食堂就餐的真实就餐人数；
4.7）根据所述就餐时间点的所处就餐时段的就餐人数的递增或递减趋势，并结合所述误差率
Figure 998317DEST_PATH_IMAGE002
，对所述就餐时间点的下一个就餐时间点的预测就餐人数进行校正。
6.根据权利要求5所述的就餐高峰预测方法，其特征在于，所述步骤4.7）中，对所述就餐时间点的下一个就餐时间点的预测就餐人数进行校正的方法为：
若所述就餐时间点的下一个就餐时间点在就餐时段中处于就餐人数单调递增区间，则通过以下公式（2）校正所述就餐时间点的下一个就餐时间点的预测就餐人数：
Figure 684382DEST_PATH_IMAGE008
公式（2）中，
Figure 718197DEST_PATH_IMAGE010
表示经校正后的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数；
Figure 757697DEST_PATH_IMAGE002
表示所述误差率；
Figure 809836DEST_PATH_IMAGE011
表示校正前的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数。
7.根据权利要求5或6所述的就餐高峰预测方法，其特征在于，所述步骤4.7）中，对所述就餐时间点的下一个就餐时间点的预测就餐人数进行校正的方法为：
若所述就餐时间点的下一个就餐时间点在就餐时段中处于就餐人数单调递减区间，则通过以下公式（3）校正所述就餐时间点的下一个就餐时间点的预测就餐人数：
Figure 151955DEST_PATH_IMAGE013
公式（3）中，
Figure 187913DEST_PATH_IMAGE015
表示经校正后的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数；
Figure 375312DEST_PATH_IMAGE002
表示所述误差率；
Figure 813116DEST_PATH_IMAGE016
表示校正前的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数。
8.根据权利要求5所述的就餐高峰预测方法，其特征在于，所述步骤4.6）中，实时获取的在所述就餐时间点就餐的就餐人数通过以下方法统计而得：
在每张餐桌上安装若干个人体感应器，每个所述人体感应器对一个对应餐位进行人体感应，每个所述人体感应器的感应方向朝下地面，当就餐人员落座后，所述人体感应器在一预设持续时间内若持续感应到人体，则与各所述人体感应器通信连接的控制器判定对应餐位有就餐人员，并将对应餐位的就餐人数记为“1”，否则记为“0”，所述控制器完成对所有餐位有无就餐人员的判定后，对判定结果进行累加，得到所述就餐时间点
Figure 450770DEST_PATH_IMAGE017
的真实就餐人数。
9.一种就餐高峰预测装置，可实现如权利要求1-8任意一项所述的就餐高峰预测方法，其特征在于，所述装置包括：
历史就餐人数获取模块，用于获取连续历史星期中的同个指定星期的同个就餐时间点的历史就餐人数，并形成数据集；
历史就餐人数平均值计算模块，连接所述历史就餐人数获取模块，用于根据所获取的所述数据集，计算各所述历史星期中的同个所述指定星期的同个所述就餐时间点的历史就餐人数的平均值；
数据处理模块，连接所述历史就餐人数平均值计算模块，用于判断每个所述指定星期的所述就餐时间点的历史就餐人数与所述平均值的比值是否小于第一阈值或大于第二阈值，
若是，则从所述数据集中剔除对应的所述指定星期的所述就餐时间点的历史就餐人数；
若否，则将所述平均值作为对当前星期中的同个所述指定星期的同个所述就餐时间点的就餐人数的预测结果输出给数据校正模块；
所述历史就餐人数平均值计算模块，还用于在所述数据处理模块剔除数据后重新计算所述平均值；
所述数据校正模块，连接所述数据处理模块，用于校正所述预测结果；
数据拟合模块，连接所述数据校正模块，用于将经结果校正后的关联同个所述指定星期的对应所述就餐时间点的多个校正结果拟合为星期
Figure 459178DEST_PATH_IMAGE018
的就餐高峰预测曲线；
结果推送模块，连接所述数据拟合模块，用于将所述就餐高峰预测曲线通过智能终端推送给用户。
10.根据权利要求9所述的就餐高峰预测装置，其特征在于，所述数据校正模块中具体包括：
就餐初始概率计算单元，用于计算每个用户在所述指定星期的所述就餐时间点到食堂就餐的初始概率；
权重赋予单元，用于赋予所述指定星期以及所述指定星期中的所述就餐时间点相对应的就餐影响权重；
概率校正单元，分别连接所述就餐初始概率计算单元和所述权重赋予单元，用于以所述初始概率、所述指定星期对应的用餐影响权重、所述指定星期中的所述就餐时间点三者的乘积值校正所述初始概率，得到概率
Figure 699535DEST_PATH_IMAGE019
；
就餐人数第一校正单元，连接所述概率校正单元，用于判断经校正后的所述概率
Figure 476998DEST_PATH_IMAGE020
的概率值是否大于对应的概率阈值，
若是，则将所述用户确定为会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人员；
若否，则将所述用户确定为不会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人员；
就餐人数预测影响因子匹配单元，连接所述就餐人数第一校正单元和数据库，用于从所述数据库中匹配出所确定的会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人数对应的就餐人数预测影响因子；
就餐人数预测单元，连接所述数据处理模块和所述就餐人数预测影响因子匹配单元，用于计算所述预测结果中记载的就餐人数与匹配到的所述影响因子的乘积作为预测得到的会在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的人数；
就餐人数实时获取单元，用于实时获取在当前星期中的所述指定星期的所述就餐时间点到所述食堂就餐的就餐人数；
就餐人数预测误差计算单元，分别连接所述就餐人数预测单元和所述就餐人数实时获取单元，用于通过以下公式（4）计算所述就餐人数预测单元计算得到的预测就餐人数的误差率
Figure 613450DEST_PATH_IMAGE002
：
Figure 92842DEST_PATH_IMAGE022
公式（4）中，
Figure 887623DEST_PATH_IMAGE023
表示经所述就餐人数预测单元计算得到的预测就餐人数；
Figure 768860DEST_PATH_IMAGE024
表示在当前星期中的所述指定星期的所述就餐时间点到食堂就餐的真实就餐人数；
就餐人数第二校正单元，分别连接所述就餐人数预测误差计算单元和所述就餐人数预测单元，用于判断所述就餐时间点的下一个就餐时间点在就餐时段中是否处于就餐人数单调递增区间，
若是，则通过以下公式（5）校正所述就餐时间点的下一个就餐时间点的预测就餐人数：
Figure 358104DEST_PATH_IMAGE026
公式（5）中，
Figure 590371DEST_PATH_IMAGE015
表示经校正后的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数；
Figure 188843DEST_PATH_IMAGE002
表示所述误差率；
Figure 65532DEST_PATH_IMAGE016
表示所述就餐人数预测单元对所述就餐时间点的下一个就餐时间点的预测就餐人数；
若否，则通过以下公式（6）校正所述就餐时间点的下一个就餐时间点的预测就餐人数：
Figure 363962DEST_PATH_IMAGE028
公式（6）中，
Figure 568678DEST_PATH_IMAGE029
表示经校正后的在所述就餐时间点的下一个就餐时间点进行就餐的预测就餐人数；
Figure 954529DEST_PATH_IMAGE002
表示所述误差率；
Figure 561091DEST_PATH_IMAGE030
表示所述就餐人数预测单元对所述就餐时间点的下一个就餐时间点的预测就餐人数。
CN202110898122.7A 2021-08-05 2021-08-05 就餐高峰预测方法及装置 Active CN113592183B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110898122.7A CN113592183B (zh) 2021-08-05 2021-08-05 就餐高峰预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110898122.7A CN113592183B (zh) 2021-08-05 2021-08-05 就餐高峰预测方法及装置

Publications (2)

Publication Number Publication Date
CN113592183A true CN113592183A (zh) 2021-11-02
CN113592183B CN113592183B (zh) 2022-04-19

Family

ID=78255644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110898122.7A Active CN113592183B (zh) 2021-08-05 2021-08-05 就餐高峰预测方法及装置

Country Status (1)

Country Link
CN (1) CN113592183B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899948A (zh) * 2015-06-05 2015-09-09 北京京东尚科信息技术有限公司 一种封闭空间拥堵监测方法和系统
CN107527278A (zh) * 2017-09-14 2017-12-29 国网山东省电力公司汶上县供电公司 食堂供餐方法、装置及系统
CN107832884A (zh) * 2017-11-06 2018-03-23 北京戴纳实验科技有限公司 一种推荐就餐时间的方法
US20180242908A1 (en) * 2017-02-13 2018-08-30 The Board Of Trustees Of The University Of Alabama Food intake monitor
CN108880945A (zh) * 2018-08-02 2018-11-23 浙江口碑网络技术有限公司 一种云监控系统及方法
CN109166056A (zh) * 2018-09-04 2019-01-08 广州小楠科技有限公司 一种新型数据预测的餐厅管理系统
CN109902859A (zh) * 2019-01-26 2019-06-18 美味不用等（上海）信息科技股份有限公司 基于大数据和机器学习算法的排队高峰时段预估方法
CN110135646A (zh) * 2019-05-20 2019-08-16 梁志鹏 一种餐厅预估快速上菜的方法、装置及存储介质
US20210043299A1 (en) * 2016-12-21 2021-02-11 Medtronic Minimed, Inc. Infusion systems and related personalized bolusing methods
CN112381506A (zh) * 2020-11-10 2021-02-19 广东电力信息科技有限公司 基于物联网及智能预测推荐的智慧食堂管理系统
CN113126155A (zh) * 2021-04-01 2021-07-16 中国石油化工股份有限公司 一种针对分布于煤岩间受强反射影响的砂岩储层预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899948A (zh) * 2015-06-05 2015-09-09 北京京东尚科信息技术有限公司 一种封闭空间拥堵监测方法和系统
US20210043299A1 (en) * 2016-12-21 2021-02-11 Medtronic Minimed, Inc. Infusion systems and related personalized bolusing methods
US20180242908A1 (en) * 2017-02-13 2018-08-30 The Board Of Trustees Of The University Of Alabama Food intake monitor
CN107527278A (zh) * 2017-09-14 2017-12-29 国网山东省电力公司汶上县供电公司 食堂供餐方法、装置及系统
CN107832884A (zh) * 2017-11-06 2018-03-23 北京戴纳实验科技有限公司 一种推荐就餐时间的方法
CN108880945A (zh) * 2018-08-02 2018-11-23 浙江口碑网络技术有限公司 一种云监控系统及方法
CN109166056A (zh) * 2018-09-04 2019-01-08 广州小楠科技有限公司 一种新型数据预测的餐厅管理系统
CN109902859A (zh) * 2019-01-26 2019-06-18 美味不用等（上海）信息科技股份有限公司 基于大数据和机器学习算法的排队高峰时段预估方法
CN110135646A (zh) * 2019-05-20 2019-08-16 梁志鹏 一种餐厅预估快速上菜的方法、装置及存储介质
CN112381506A (zh) * 2020-11-10 2021-02-19 广东电力信息科技有限公司 基于物联网及智能预测推荐的智慧食堂管理系统
CN113126155A (zh) * 2021-04-01 2021-07-16 中国石油化工股份有限公司 一种针对分布于煤岩间受强反射影响的砂岩储层预测方法

Also Published As

Publication number Publication date
CN113592183B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
US10482551B2 (en) Systems and methods of automatically estimating restaurant wait times using wearable devices
CN113673757B (zh) 智慧食堂就餐规律预测方法及装置
JP6334825B2 (ja) 情報配信装置及び方法
JP6986680B2 (ja) ストレスマネジメントシステム及びストレスマネジメント方法
US9147128B1 (en) Machine learning enhanced facial recognition
US20170169373A1 (en) System and method for measuring perceived impact of schedule deviation in public transport
JP2015011712A (ja) デジタル情報収集および解析方法およびその装置
JP2009521053A (ja) 体重管理機能を持つ電子予定表
JP2008262435A (ja) 顔認証、及び顧客状況情報を利用した営業支援システム
KR101890528B1 (ko) 구내식당 방문자수 예측 시스템
CN108304448B (zh) 菜品推荐方法及装置、存储介质、处理器
US20210398517A1 (en) Response generating apparatus, response generating method, and response generating program
CN112381506A (zh) 基于物联网及智能预测推荐的智慧食堂管理系统
CN112905650A (zh) 基于大数据统计及健康报告分析的智能推荐算法研究
CN112990610A (zh) 一种基于多元线性回归预测火车站出租车运力需求的方法
CN106030217B (zh) 用于操作空调的方法和设备
CN113592183A (zh) 就餐高峰预测方法及装置
US20200357504A1 (en) Information processing apparatus, information processing method, and recording medium
CN110866175A (zh) 信息推荐方法、装置及电子设备
WO2020052522A1 (zh) 智能终端及其获取行驶路线的方法、具有存储功能的装置
CN113255596B (zh) 一种基于大数据的智能视频图像分析系统及方法
CN111080006B (zh) 一种社区居家养老服务调度方法
TWI613601B (zh) 智慧型影像辨識動態規劃之系統及方法
CN112037095B (zh) 一种人工智能核心算法的智慧校园管理系统
JP2002311170A (ja) 待ち時間表示システム

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