CN113592183B - 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 PDFInfo
- Publication number
- CN113592183B CN113592183B CN202110898122.7A CN202110898122A CN113592183B CN 113592183 B CN113592183 B CN 113592183B CN 202110898122 A CN202110898122 A CN 202110898122A CN 113592183 B CN113592183 B CN 113592183B
- Authority
- CN
- China
- Prior art keywords
- dining
- week
- people
- meal
- time point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 235000012054 meals Nutrition 0.000 claims abstract description 185
- 238000012937 correction Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 6
- 239000011541 reaction mixture Substances 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 2
- 235000021152 breakfast Nutrition 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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wk中的同个星期i的同个就餐时间点tx的历史就餐人数;计算各历史星期wk中的同个星期i的同个就餐时间点tx的历史就餐人数的平均值;判断每个星期i的就餐时间点tx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,则剔除对应的星期i的就餐时间点tx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k+1星期的星期i的同个就餐时间点tx的就餐人数的预测结果;校正预测结果,并将关联同个星期i中的对应各就餐时间点tx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
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wk中的同个星期i的同个就餐时间点tx的历史就餐人数,形成数据集,记为i为1-7中的任意一个自然数,wk表示第k个历史星期,表示在所述星期i的所述就餐时间点tx的历史就餐人数,表示第k个历史星期中的所述星期i的所述就餐时间点tx的历史就餐人数;
4)校正所述预测结果,并将关联同个所述星期i中的对应所述就餐时间点tx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。
作为本发明的一种优选方案,所述步骤1)中的所述k为1-5中的任意一个自然数。
作为本发明的一种优选方案,所述步骤3)中的所述第一阈值为0.5。
作为本发明的一种优选方案,所述第二阈值为1.5。
作为本发明的一种优选方案,所述步骤4)中,对所述预测结果进行校正的方法步骤包括:
4.3)通过以下公式(3)校正所述初始概率,得到所述用户u在k+1星期中的所述星期i中的所述就餐时间点tx进行就餐的概率P,
4.4)判断经校正后的所述概率P的概率值是否大于对应的概率阈值,
若是,则将所述用户u确定为会在k+1星期中的所述星期i的所述就餐时间点tx到食堂就餐的人员;
若否,则将所述用户u确定为不会在k+1星期中的所述星期i的所述就餐时间点tx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k+1星期中的所述星期i的所述就餐时间点tx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k+1星期中的所述星期i的所述就餐时间点tx到食堂就餐的就餐人数,并通过以下公式(4)计算所述步骤4.5)计算得到的预测就餐人数的误差率err:
4.7)根据所述就餐时间点tx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err,对所述就餐时间点tx的下一个就餐时间点tx+1的预测就餐人数进行校正。
作为本发明的一种优选方案,所述步骤4.7)中,对所述就餐时间点tx+1的预测就餐人数进行校正的方法为:
若所述就餐时间点tx+1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(5)校正所述就餐时间点tx+1的预测就餐人数:
err表示所述误差率;
作为本发明的一种优选方案,所述步骤4.7)中,对所述就餐时间点tx+1的预测就餐人数进行校正的方法为:
若所述就餐时间点tx+1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(6)校正所述就餐时间点tx+1的预测就餐人数:
err表示所述误差率;
作为本发明的一种优选方案,所述步骤4.6)中,实时获取的在所述就餐时间点tx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tx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wk中的同个星期i的同个就餐时间点tx的历史就餐人数,并形成数据集,记为i为1-7中的任意一个自然数,wk表示第k个历史星期,表示在所述星期i的所述就餐时间点tx的历史就餐人数,表示第k个历史星期中的所述星期i的所述就餐时间点tx的历史就餐人数;
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星期i的对应所述就餐时间点tx的多个校正结果拟合为星期i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。
作为本发明的一种优选方案,所述数据校正模块中具体包括:
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,用于通过以下公式(8)校正所述初始概率,得到所述用户u在k+1星期中的所述星期i中的所述就餐时间点tx进行就餐的概率P,
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P的概率值是否大于对应的概率阈值,
若是,则将所述用户u确定为会在k+1星期中的所述星期i的所述就餐时间点tx到食堂就餐的人员;
若否,则将所述用户u确定为不会在k+1星期中的所述星期i的所述就餐时间点tx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k+1星期中的所述星期i的所述就餐时间点tx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k+1星期中的所述星期i的所述就餐时间点tx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k+1星期中的所述星期i的所述就餐时间点tx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(9)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err:
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tx的下一个就餐时间点tx+1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)校正所述就餐时间点tx+1的预测就餐人数:
err表示所述误差率;
若否,则通过以下公式(11)校正所述就餐时间点tx+1的预测就餐人数:
err表示所述误差率;
本发明首先通过历史星期i的就餐时间点tx的就餐人数数据,得到当前星期i的就餐时间点tx的就餐人数初步预测结果,然后根据星期i和就餐时间点tx对就餐人数的影响权重,对当前星期i的就餐时间点tx的预测就餐人数进行校正,并通过实时获取就餐时间点tx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tx的下一就餐时间点tx+1的就餐人数增减趋势,对就餐时间点tx+1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wk中的同个星期i的同个就餐时间点tx的历史就餐人数,形成数据集,记为i为1-7中的任意一个自然数(i=1、2、3、4、5、6、7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),wk表示第k个历史星期(k优选取值为1-5中的任意一个自然数,更优选地,k取值为5,即获取连续5个历史星期的历史就餐人数数据),表示在星期i的就餐时间点tx的历史就餐人数(就餐时间点tx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tx表示,tx与下一个就餐人数统计时间点tx+1的间隔时间优选为15分钟),表示第k个历史星期中的星期i的就餐时间点tx的历史就餐人数;
图5示出了计算历史就餐人数平均值的示例图。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w1中的星期二,5号为历史星期w2中的星期二;12号为历史星期w3中的星期二;19号为历史星期w4中的星期二;26号为历史星期w5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tx)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
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:
若是,则从数据集中剔除对应的星期i的就餐时间点tx的历史就餐人数并返回步骤2)重新计算平均值比如5号11点的就餐人数为13,平均值为69.6,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tx的历史就餐人数数据重新计算平均值(四舍五入确定为84人);
步骤4)校正预测结果,并将关联同个星期i中的对应就餐时间点tx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i的就餐时间点tx到食堂就餐的初始概率,记为通过以下公式(2)计算而得:
比如,用户u在历史星期w1、w2、w3、w5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w4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u在星期w6(w5的下一个星期)的星期二的11:00到该食堂用餐的初始概率表示该用户有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i和同个星期i的不同就餐时间点tx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k+1星期中的星期i以及星期i中的就餐时间点tx相对应的用餐影响权重,分别记为和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tx的用餐影响权重为1,赋予处于早餐时段的就餐时间点tx的用餐影响权重为0.95,赋予处于晚餐时段的就餐时间点tx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u在k+1星期中的星期i中的就餐时间点tx进行就餐的概率P,
4.4)判断经校正后的概率P的概率值是否大于对应的概率阈值,
若是,则将用户u确定为会在k+1星期中的星期i的就餐时间点tx到食堂就餐的人员;
若否,则将用户u确定为不会在k+1星期中的星期i的就餐时间点tx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k+1星期中的星期i的就餐时间点tx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P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P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k+1星期中的星期i的就餐时间点tx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err:
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tx的真实就餐人数。
4.7)根据就餐时间点tx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err,对就餐时间点tx的下一个就餐时间点tx+1的预测就餐人数进行校正,具体校正方法为:
若就餐时间点tx+1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tx+1(比如11:15)的预测就餐人数:
err表示误差率;
若就餐时间点tx+1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tx+1(比如11:30)的预测就餐人数:
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,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wk中的同个星期i的同个就餐时间点tx的历史就餐人数,并形成数据集,记为i为1-7中的任意一个自然数,wk表示第k个历史星期,表示在星期i的就餐时间点tx的历史就餐人数,表示第k个历史星期中的星期i的就餐时间点tx的历史就餐人数;
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i中的对应就餐时间点tx的多个校正结果拟合为星期i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:
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u在k+1星期中的星期i中的就餐时间点tx进行就餐的概率P,
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P的概率值是否大于对应的概率阈值,
若是,则将用户u确定为会在k+1星期中的星期i的就餐时间点tx到食堂就餐的人员;
若否,则将用户u确定为不会在k+1星期中的星期i的就餐时间点tx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k+1星期中的星期i的就餐时间点tx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k+1星期中的星期i的所述就餐时间点tx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k+1星期中的星期i的就餐时间点tx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err:
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tx的下一个就餐时间点tx+1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tx+1的预测就餐人数:
err表示误差率;
若否,则通过以下公式(11)校正就餐时间点tx+1的预测就餐人数:
err表示误差率;
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 (9)
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wk中的同个星期i的同个就餐时间点tx的历史就餐人数,形成数据集,记为i为1-7中的任意一个自然数,wk表示第k个历史星期,表示在所述星期i的所述就餐时间点tx的历史就餐人数,表示第k个历史星期中的所述星期i的所述就餐时间点tx的历史就餐人数;
4)校正所述预测结果,并将关联同个所述星期i中的对应所述就餐时间点tx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;
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星期i的所述就餐时间点tx到食堂就餐的初始概率,记为初始概率为根据每个就餐对象的身份信息和历史就餐信息计算出的其在某个就餐时间点到食堂就餐的概率,通过以下公式(2)计算而得:
4.3)通过以下公式(3)校正所述初始概率,得到所述用户u在k+1星期中的所述星期i中的所述就餐时间点tx进行就餐的概率P,
4.4)判断经校正后的所述概率P的概率值是否大于对应的概率阈值,
若是,则将所述用户u确定为会在k+1星期中的所述星期i的所述就餐时间点tx到食堂就餐的人员;
若否,则将所述用户u确定为不会在k+1星期中的所述星期i的所述就餐时间点tx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k+1星期中的所述星期i的所述就餐时间点tx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k+1星期中的所述星期i的所述就餐时间点tx到食堂就餐的就餐人数,并通过以下公式(4)计算所述步骤4.5)计算得到的预测就餐人数的误差率err:
4.7)根据所述就餐时间点tx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err,对所述就餐时间点tx的下一个就餐时间点tx+1的预测就餐人数进行校正。
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k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。
7.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4.6)中,实时获取的在所述就餐时间点tx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tx的真实就餐人数。
8.一种就餐高峰预测装置,可实现如权利要求1-7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wk中的同个星期i的同个就餐时间点tx的历史就餐人数,并形成数据集,记为i为1-7中的任意一个自然数,wk表示第k个历史星期,表示在所述星期i的所述就餐时间点tx的历史就餐人数,表示第k个历史星期中的所述星期i的所述就餐时间点tx的历史就餐人数;
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星期i的对应所述就餐时间点tx的多个校正结果拟合为星期i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。
9.根据权利要求8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:
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,用于通过以下公式(8)校正所述初始概率,得到所述用户u在k+1星期中的所述星期i中的所述就餐时间点tx进行就餐的概率P,
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P的概率值是否大于对应的概率阈值,
若是,则将所述用户u确定为会在k+1星期中的所述星期i的所述就餐时间点tx到食堂就餐的人员;
若否,则将所述用户u确定为不会在k+1星期中的所述星期i的所述就餐时间点tx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k+1星期中的所述星期i的所述就餐时间点tx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k+1星期中的所述星期i的所述就餐时间点tx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k+1星期中的所述星期i的所述就餐时间点tx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(9)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err:
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tx的下一个就餐时间点tx+1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)校正所述就餐时间点tx+1的预测就餐人数:
err表示所述误差率;
若否,则通过以下公式(11)校正所述就餐时间点tx+1的预测就餐人数:
err表示所述误差率;
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 CN113592183A (zh) | 2021-11-02 |
CN113592183B true 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 (3)
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 |
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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10854322B2 (en) * | 2016-12-21 | 2020-12-01 | Medtronic Minimed, Inc. | Infusion systems and methods for patient activity adjustments |
US10736566B2 (en) * | 2017-02-13 | 2020-08-11 | The Board Of Trustees Of The University Of Alabama | Food intake monitor |
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 |
CN108880945B (zh) * | 2018-08-02 | 2020-07-28 | 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 |
CN110135646B (zh) * | 2019-05-20 | 2021-07-20 | 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 |
CN113126155B (zh) * | 2021-04-01 | 2024-03-01 | 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 |
-
2021
- 2021-08-05 CN CN202110898122.7A patent/CN113592183B/zh active Active
Patent Citations (3)
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113592183A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113673757B (zh) | 智慧食堂就餐规律预测方法及装置 | |
US10527309B2 (en) | Building air conditioning control system and control method thereof | |
JP5270368B2 (ja) | 体重管理機能を持つ電子予定表 | |
US20170169373A1 (en) | System and method for measuring perceived impact of schedule deviation in public transport | |
CN108288106A (zh) | 一种基于大数据的旅游客流预测方法 | |
CN112990610B (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 | |
WO2017027258A1 (en) | Systems and methods of automatically monitoring real-time activity at a location for determining wait times using wearable devices | |
Long et al. | Employee premiums, availability of alternative plans, and HMO disenrollment | |
KR101890528B1 (ko) | 구내식당 방문자수 예측 시스템 | |
CN114118496A (zh) | 一种基于大数据分析自动调度排队预约的方法及系统 | |
CN112381506A (zh) | 基于物联网及智能预测推荐的智慧食堂管理系统 | |
CN108305459B (zh) | 一种基于数据驱动的路网运行指数预测方法 | |
CN108304448B (zh) | 菜品推荐方法及装置、存储介质、处理器 | |
CN110766474A (zh) | 基于人脸识别技术的销售展厅客流批次统计 | |
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 | |
JP6387622B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN112988847A (zh) | 一种基于大数据的景区人数预测系统以及方法 | |
CN113592183B (zh) | 就餐高峰预测方法及装置 | |
CN106030217B (zh) | 用于操作空调的方法和设备 | |
WO2017015203A1 (en) | Fresh production forecasting methods and systems | |
JP6410192B2 (ja) | 行動管理装置、プログラム、行動管理方法 | |
CN112037095B (zh) | 一种人工智能核心算法的智慧校园管理系统 | |
CN111080006B (zh) | 一种社区居家养老服务调度方法 | |
JP2005157556A (ja) | 独居者用管理システム | |
CN112070253A (zh) | 基于物联网的智慧服务系统 |
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 |