CN113673757A - 智慧食堂就餐规律预测方法及装置 - Google Patents
智慧食堂就餐规律预测方法及装置 Download PDFInfo
- Publication number
- CN113673757A CN113673757A CN202110943519.3A CN202110943519A CN113673757A CN 113673757 A CN113673757 A CN 113673757A CN 202110943519 A CN202110943519 A CN 202110943519A CN 113673757 A CN113673757 A CN 113673757A
- Authority
- CN
- China
- Prior art keywords
- dining
- people
- week
- meal
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012512 characterization method Methods 0.000 claims abstract description 7
- 235000012054 meals Nutrition 0.000 claims description 265
- 238000012937 correction Methods 0.000 claims description 107
- 238000004364 calculation method Methods 0.000 claims description 70
- 230000003068 static effect Effects 0.000 claims description 51
- 238000003491 array Methods 0.000 claims description 25
- 230000003247 decreasing effect Effects 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 6
- 239000011541 reaction mixture Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 235000021152 breakfast Nutrition 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 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 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002360 preparation method Methods 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
- 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
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智慧食堂就餐规律预测方法及装置,该方法根据历史就餐人数数据,计算表征每个就餐时间分段的就餐人数增减规律的表征值和就餐人数预测系数,然后各表征值为离散点计算回归直线方程,并利用该回归直线方程去求解每个就餐时间分段对应的就餐人数趋势预测值,并根据趋势预测值和就餐人数预测系数求解历史星期中的每个就餐时间分段对应的就餐人数预测值,然后根据各就餐时间分段对应的就餐人数预测值和真实值计算就餐人数预测误差,并通过该误差去校正对未来周的就餐时间分段的就餐人数预测值,最后将未来周的各就餐时间分段对应的就餐人数预测值拟合就餐人数增减规律曲线推送给用户。本发明实现了对智慧食堂就餐人数增减规律的预测。
Description
技术领域
本发明涉及数据统计分析技术领域,具体涉及一种智慧食堂就餐规律预测方法及装置。
背景技术
智慧食堂是一套主要面向机关企事业单位食堂的管理系统,这套管理系统结合“云数据+人工智能”等互联网技术,通过人脸识别支付,并根据历史就餐大数据、当日远程订餐数量等数据进行食材采购估算、精准备餐,较好解决了传统食堂排队人多、剩餐严重、菜品不合口味、饭卡充值不方便、无科学菜谱、重口味不重营养等一系列问题。
智慧食堂通过人脸识别结算、提前订餐等方式,提高了结账、点餐效率,提升了餐位的周转率,减少了就餐排队时间。但若食堂就餐人数过多,还是会出现某一或某些就餐高峰点集中排队就餐的情况,食堂疲于应对,服务质量和就餐体验大打折扣,所以如果能对未来周的每天或者每天的每一就餐时间段的就餐人数作出提前且较为准确地预估,并分析预估人数的增减规律变化,对于食堂运营方而言,能够有更充足的时间进行准备,缓解了就餐高峰的服务压力;对于就餐者而言,能够提前获知就餐高峰日和就餐高峰点,引导就餐人员戳峰消费,减少排队时间,提升用餐体验。
发明内容
本发明以预测智慧食堂就餐人数增减规律,缓解食堂就餐高峰服务压力,引导就餐人员戳峰消费、减少就餐排队时间,提升用餐体验为目的,提供了一种智慧食堂就餐规律预测方法及装置。
为达此目的,本发明采用以下技术方案:
提供一种智慧食堂就餐规律预测方法,步骤包括:
1)获取连续历史星期中的每个历史星期wk中的在同个星期l的同个就餐时间段内的每个就餐时间分段的分段时间范围内就餐的历史就餐人数,并根据所获取的历史就餐人数数据计算表征每个所述就餐时间分段对应的就餐人数增减规律的表征值,记为RTa,a表示第a个表征值;
2)计算不同的所述历史星期wk中的同个星期l中的同个所述就餐时间分段分别对应的各所述表征值的平均值作为所对应的所述就餐时间分段的就餐人数预测系数,记为表示所述就餐时间段内的第i个所述就餐时间分段对应的所述就餐人数预测系数,并对各所述就餐人数预测系数进行校正;
3)以各所述表征值为离散点,对各所述离散点进行直线拟合得到回归直线方程,所述回归直线方程以所述就餐时间分段的排序号Tx为自变量,以所述就餐时间分段对应的就餐人数趋势预测值y′为因变量;
4)利用所述回归直线方程,求解出每个所述历史星期wk中的同个所述星期l中的每个所述就餐时间分段对应的所述就餐人数趋势预测值y′;
5)计算关联每个所述排序号Tx的所述就餐人数趋势预测值y′与经校正后的所述就餐人数预测系数的乘积作为对所述排序号Tx对应的所述就餐时间分段的就餐人数的预测值y″,并根据关联每个所述排序号Tx的所述预测值y″和真实值y计算对所述就餐时间分段的就餐人数预测误差RES;
6)计算k+1星期的同个所述星期l的同个所述就餐时间段内的每个所述就餐时间分段对应的所述预测值y″,然后判断所述就餐时间分段是否处于所处就餐时间段的就餐人数单调递增区间,
若是,则计算关联所述就餐时间分段的所述预测值y″与所述预测误差RES的和值作为对所述就餐时间分段的预测就餐人数;
若否,则计算关联所述就餐时间分段的所述预测值y″与所述预测误差RES的差值作为对所述就餐时间分段的预测就餐人数;
7)完成对所述k+1星期中的所有所述星期l中的每个所述就餐时间段内的每个所述就餐时间分段的就餐人数预测,并将关联所述k+1星期中的每个所述星期l的不同所述就餐时间段的每个所述就餐时间分段的各预测结果拟合为表征所述k+1星期内不同天的就餐人数增减规律的第一就餐规律曲线以及拟合为表征每日不同餐段的就餐人数增减规律的第二就餐规律曲线并通过智能终端推送给用户;
8)以所述k+1星期中的所述星期l中的所述就餐时间段内的第i-1个所述就餐时间分段的实际就餐人数对第i个所述就餐时间分段的预测就餐人数进行校正,并以校正结果动态更新所述第一就餐规律曲线和所述第二就餐规律曲线。
优选地,所述步骤1)中,计算每个所述就餐时间分段对应的所述表征值的方法步骤包括:
1.1)按照每个所述历史星期wk和每个所述历史星期wk中的各所述就餐时间分段的时间先后顺序对关联每个所述就餐时间分段的历史就餐人数数据进行排序,形成历史就餐人数序列,记为qN, ,wk表示第k个历史星期,Tx表示第x个排序号,n为排序号总数,表示排序号为Tn的关联所述历史星期wk的所述就餐时间段内的第i个所述就餐时间分段的历史就餐人数,表示所述就餐时间段内的第i个所述就餐时间分段;T表示每个所述就餐时间段的起始就餐时间点,D表示每个所述就餐时间分段的时间长度,D=15min,每个所述就餐时间段为1小时;
1.2)从所述序列qN中的首个所述排序号对应的数值开始,以连续4个排序号为一组,将所述序列qN划分为多个数组并按照划分顺序按序排列各所述数组,每个数组表达为 m表示第m个所述数组Am,4≤x≤n,并计算每组所述数组Am中的各个元素的元素值的平均值,计算公式为:
1.3)从所述序列中的首个排序号对应的数值开始,以连续2个排序号为一组,将所述序列划分为多个数组,每个数组表达为a表示第a个所述数组Ba,a为大于等于2的自然数,并计算每个所述数组Ba中的各元素的元素值的平均值,计算公式为:
公式(3)中,fi表示第i个所述就餐时间分段对应的就餐人数增减趋势影响因子。
优选地,所述步骤3)中,以最小二乘法对各所述离散点进行直线拟合求解出所述回归直线方程的斜率和截距。
优选地,所述步骤3)中,以最小二乘法对各所述离散点进行直线拟合求解出所述回归直线方程的斜率和截距。
优选地,所述步骤5)中,通过以下公式(4)计算所述预测误差RES:
优选地,所述步骤8)中,以所述k+1星期中的所述星期l中的所述就餐时间段内的第i-1个所述就餐时间分段的实际就餐人数对第i个所述就餐时间分段的预测就餐人数进行校正的方法步骤包括:
公式(5)中,表示所述订餐人员u在每个所述历史星期wk的同个所述星期l的相同就餐时间段中的第i个所述就餐时间分段具有就餐行为的次数;表示所述订餐人员u在每个所述历史星期wk的同个所述星期l的相同就餐时间段中的第i个所述就餐时间分段有用餐行为和无用餐行为的总次数;
8.4)判断经校正后的所述概率P的概率值是否大于预设的概率阈值,
8.5)从数据库中匹配出所述步骤8.4)所确定的会在所述k+1星期的所述星期l中的所述就餐时间分段的分段时间范围内到食堂就餐的人数所对应的就餐人数预测影响因子,并计算所述步骤9)得到的所述和值或所述差值与匹配到的对应的所述影响因子的乘积作为对所预测的就餐人数的静态校正结果;
8.7)根据当前的所述就餐时间分段的下一个就餐时间分段在所处的所述就餐时间段内的就餐人数的递增或递减趋势,并结合所述误差率err,对下一个所述就餐时间分段对应的所述静态校正结果进行动态校正,得到对应所述就餐时间分段的预测就餐人数动态校正结果。
err表示所述误差率。
err表示所述误差率。
本发明还提供了一种智慧食堂的就餐规律预测装置,可实现所述的就餐规律预测方法,所述装置包括:
就餐时间段划分模块,用于以15min为分段时间长度,将连续历史星期中的每个历史星期wk中的所有星期l中的每个就餐时间段划分为4个时间等分的就餐时间分段,每个所述就餐时间段的时长为1小时;
历史就餐人数获取模块,连接所述就餐时间段划分模块,用于获取每个所述历史星期wk中的在同个所述星期l的同个所述就餐时间段内的每个所述就餐时间分段内就餐的历史就餐人数;
就餐人数增减规律表征值计算模块,连接所述历史就餐人数获取模块,用于根据所获取的历史就餐人数数据计算表征每个所述就餐时间分段对应的就餐人数增减规律的表征值,记为RTa,a表示第a个表征值;
就餐人数预测系数计算模块,连接所述就餐人数增减规律表征值计算模块,用于计算不同的所述历史星期wk中的通过所述星期l中的同个所述就餐时间分段分别对应的各所述表征值的平均值作为所对应的所述就餐时间分段的就餐人数预测系数,记为表示所述就餐时间段内的第i个所述就餐时间分段对应的所述就餐人数预测系数;
回归直线方程计算模块,连接所述就餐人数增减规律表征值计算模块,用于以各所述表征值为离散点,对各所述离散点进行直线拟合得到回归直线方程,所述回归直线方程以所述就餐时间分段的排序号Tx为自变量,以所述就餐时间分段对应的就餐人数趋势预测值y′为因变量;
就餐人数趋势预测值计算模块,连接所述回归直线方程计算模块,用于利用所述回归直线方程,求解出每个所述历史星期wk中的同个所述星期l中的每个所述就餐时间分段对应的所述就餐人数趋势预测值y′;
历史就餐人数预测值计算模块,分别连接所述就餐人数趋势预测值计算模块和所述系数校正模块,用于计算每个所述就餐时间分段对应的所述就餐人数趋势预测值y′与其对应的经校正后的所述就餐人数预测系数的乘积作为对所述就餐时间分段的历史就餐人数的预测值y″;
预测误差计算模块,分别连接所述历史就餐人数预测值计算模块和所述历史就餐人数获取模块,用于根据关联每个所述排序号Tx的所述预测值y″和真实值y计算对每个所述就餐时间分段的就餐人数预测误差RES;
就餐人数预测模块,分别连接所述就餐人数趋势预测值计算模块和所述系数校正模块,用于计算k+1星期中的同个所述星期l中的同个所述就餐时间段内的每个所述就餐时间分段对应的所述预测值y″;
就餐人数增减区间判断模块,用于判断每个所述就餐时间分段在所处的所述就餐时间段中是否处于就餐人数单调递增或递减区间;
预测值调整模块,分别连接所述预测误差计算模块、所述就餐人数预测模块和所述就餐人数增减区间判断模块,用于在判定所述就餐时间分段处于所述就餐时间段的单调递增区间时,计算所述就餐时间分段对应的所述预测值y″与所述预测误差RES的和值作为对所述就餐时间分段的就餐人数预测结果,
并用于在判定所述就餐时间分段处于所述就餐时间段的单调递减区间时,计算所述就餐时间分段对应的所述预测值y″与所述预测误差RES的差值作为对所述就餐时间分段的就餐人数预测结果;
曲线拟合模块,连接所述预测值调整模块,用于将关联所述k+1星期中的每个所述星期l的不同所述就餐时间段的每个所述就餐时间分段的所述预测结果拟合为表征所述k+1星期内不同天的就餐人数增减规律的第一就餐规律曲线以及拟合为表征每日不同餐段的就餐人数增减规律的第二就餐规律曲线;
拟合曲线推送模块,连接所述曲线拟合模块,用于将所述第一就餐规律曲线和所述第二就餐规律曲线通过智能终端推送给用户;
预测值校正模块,连接所述预测值调整模块,用于以所述k+1星期中的所述星期l中的所述就餐时间段内的第i-1个所述就餐时间分段的实际就餐人数对第i个所述就餐时间分段的预测就餐人数进行校正,得到关联第i个所述就餐时间分段的校正结果;
所述曲线拟合模块,还连接所述预测值校正模块,还用于以所述校正结果动态更新所述第一就餐规律曲线和所述第二就餐规律曲线。
优选地,所述就餐人数增减规律表征值计算模块中包括:
第一序列形成单元,用于按照每个所述历史星期wk和每个所述历史星期wk中的各所述就餐时间分段的时间先后顺序对关联每个所述就餐时间分段的历史就餐人数数据进行排序,形成历史就餐人数序列,记为qN, wk表示第k个历史星期,Tx表示第x个所述排序号,n为排序号总数,表示排序号为Tn的关联所述历史星期wk的所述就餐时间段内的第i个所述就餐时间分段的历史就餐人数,表示所述就餐时间段内的第i个所述就餐时间分段;T表示每个所述就餐时间段的起始就餐时间点,D表示每个所述就餐时间分段的时间长度;
第一数组划分单元,连接所述第一序列形成单元,用于从所述序列qN的首个排序号对应的数值开始,以连续4个排序号为一组,将所述序列qN划分为多个数组并按照划分顺序按序排列各所述数组,每个数组表达为 m表示第m个所述数组Am,4≤x≤n;
第一平均值计算单元,连接所述第一数组划分单元,用于计算每组所述数组Am中的各个元素的元素值的平均值,计算公式为:
第二数组划分单元,连接所述第二序列形成单元,用于从所述序列中的首个排序号对应的数值开始,以连续2个排序号为一组,将所述序列划分为多个数组,每个数组表达为a表示第a个所述数组Ba,a为大于等于2的自然数;
第二平均值计算单元,分别连接所述第二数组划分单元,用于计算每组所述数组Ba中的各元素的元素值的平均值,计算公式为:
就餐人数增减规律表征值计算单元,分别连接所述第一序列形成单元和所述第三序列形成单元,用于计算所述序列qN中的每个元素与所述序列中的对应元素的元素值的比值作为表征对应的所述就餐时间分段的历史就餐人数的增减规律的表征值,记为RTa;
所述预测值校正模块中包括:
公式(11)中,表示所述订餐人员u在每个所述历史星期wk的同个所述星期l的相同就餐时间段中的第i个所述就餐时间分段具有就餐行为的次数;表示所述订餐人员u在每个所述历史星期wk的同个所述星期l的所述就餐时间段中的第i个所述就餐时间分段有用餐行为和无用餐行为的总次数;
初始概率校正单元,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(12)校正所述初始概率,得到所述订餐人员u在k+1星期的所述星期l中的所述就餐时间分段的分段时间内到所述智慧食堂进行就餐的概率P:
阈值判断及就餐人数计数单元,连接所述初始概率校正单元,用于判断经校正后的所述概率P的概率值是否大于预设的概率阈值,
就餐人数预测影响因子匹配单元,连接所述阈值判断及就餐人数计数单元,用于从数据库中匹配出所确定的会在所述k+1星期的所述星期l中的所述就餐时间分段的分段时间范围内到食堂就餐的人数对应的就餐人数预测影响因子;
就餐预测人数静态校正单元,连接所述就餐人数预测影响因子匹配单元,用于计算经预测值调整后的所述和值或所述差值与匹配到的对应的所述影响因子的乘积作为对所预测的就餐人数的静态校正结果;
误差率计算单元,连接所述就餐人数实时获取单元和所述就餐预测人数静态校正单元,用于通过以下公式(13)计算得到所述静态校正结果的误差率err:
就餐预测人数动态校正单元,分别连接所述误差率计算单元和所述就餐预测人数静态校正单元,用于根据当前的所述就餐时间分段的下一个就餐时间分段在所处的所述就餐时间段内的就餐人数的递增或递减趋势,并结合所述误差率err,对所述就餐时间分段对应的所述静态校正结果进行动态校正,得到对应所述就餐时间分段的预测就餐人数动态校正结果。
本发明根据历史就餐人数数据,首先计算每个就餐时间分段对应的表征就餐人数增减规律的表征值和就餐人数预测系数,并根据分析总结而得的影响就餐人数预测值准确度的影响因子去校正每个就餐时间分段对应的就餐人数预测系数,然后以各表征值为离散点求解回归直线方程,并利用该回归直线方程去求解每个就餐时间分段对应的就餐人数趋势预测值y′,并根据预测值y′与校正后的就餐人数预测系数求解历史星期中的每个就餐时间分段对应的就餐人数预测值y″,然后根据历史星期中的每个就餐时间分段对应的真实就餐人数和预测值y″,去计算对就餐时间分段的就餐人数预测误差RES;然后再根据该误差RES去校正对所预测的k+1星期中的每个就餐时间分段的就餐人数预测值y″,然后将各就餐时间分段对应的就餐人数预测值y″拟合为第一就餐规律曲线和第二就餐规律曲线通过智能终端推送给用户,最后根据k+1星期中的星期l中的就餐时间段内的第i-1个就餐时间分段的实际就餐人数去校正其下一个分段时间的第i个就餐时间分段的预测就餐人数,并以校正结果动态更新第一就餐规律曲线和第二就餐规律曲线。本发明实现了对智慧食堂就餐人数增减规律的预测,有利于缓解食堂就餐高峰服务压力,引导就餐人员戳峰消费、减少就餐排队时间,提升用餐体验。
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智慧食堂就餐规律预测方法的实现步骤图;
图2是本发明实施例计算表征就餐时间分段的就餐人数增减规律的表征值的方法步骤图;
图3是本发明实施例校正就餐时间分段的预测就餐人数的方法步骤图;
图4是本发明一实施例提供的智慧食堂就餐规律预测装置的结构示意图;
图5是智慧食堂就餐规律预测装置中的就餐人数增减规律表征值计算模块的内部结构示意图;
图6是智慧食堂就餐规律预测装置中的预测值校正模块的内部结构示意图。
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智慧食堂就餐规律预测方法,如图1所示,包括:
步骤S1,获取连续历史星期中的每个历史星期wk中的在同个星期l的同个就餐时间段内的每个就餐时间分段的分段时间范围内就餐的历史就餐人数,并根据所获取的历史就餐人数数据计算表征每个就餐时间分段对应的就餐人数增减规律的表征值,记为RTa,a表示第a个表征值;
wk表示第k个历史星期,在确保预测准确率的前提下兼顾预测效率,本发明将k取值为4,即获取连续4个历史星期的历史就餐人数数据;l为1-7中的任意一个自然数(l=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)。
本实施例中,每个就餐时间段(比如11:00-12:00为午餐的一个就餐时间段)的持续时长设定为1小时,每个就餐时间分段的分段时间范围(即分段时间间隔)D=15min,即将每个就餐时间段分为4个就餐时间分段(比如将11:00-12:00这个就餐时间段划分为11:00-11:15、11:15-11:30、11:30-11:45、11:45-12:00这4个分段)。
本实施例计算每个就餐时间分段对应的表征值的方法步骤如图2所示,包括:
步骤S11,按照历史星期wk和每个就餐时间分段的时间先后顺序对关联每个就餐时间分段的历史就餐人数数据进行排序,形成历史就餐人数序列,记为qN, ,wk表示第k个历史星期,Tx表示第x个排序号(下表a中的数字“1”“2”“3”“4”“5”……“20”即为排序号),n为排序号总数,表示排序号为Tn的关联历史星期wk的就餐时间段内的第i个就餐时间分段的历史就餐人数,表示就餐时间段内的第i个就餐时间分段;T表示每个就餐时间段的起始就餐时间点(比如就餐时间段11:00-12:00的起始就餐时间点T为11:00),D表示每个就餐时间分段的时间长度,D=15min,每个就餐时间段为1小时;
下表a中的就餐人数数值“80”“90”“95”“100”“85”“95”“98”“105”“70”“80”“85”“80”“13”“68”“78”“86”按照分别对应的历史星期wk和每个就餐时间分段的时间先后顺序排列形成为序列qN=(80、90、95、100、85、95、98、105、70、80、85、80、13、68、78、86)。
表a
步骤S12,从序列qN中的首个排序号开始,以连续4个排序号为一组,将序列qN划分为多个数组并按照划分顺序按序排列各数组,每个数组表达为 m表示第m个数组Am,4≤x≤n,并计算每组数组Am中的各个元素的元素值的平均值,计算公式为:
首先,从序列qN=(80、90、95、100、85、95、98、105、70、80、85、80、13、68、78、86)的首个排序号开始(首个排序号对应的数值为“80”),以连续4个排序号为一组(“80”“90”“95”“100”为数组1,“90”“95”“100”“85”为数组2,依次类推,划分的最后的数组13为“13”“68”“78”“86”)将具有16个元素的序列qN划分为13个数组。
然后计算每组数组Am中的各个元素的元素值的平均值,数组1的元素值平均值为91.25(四舍五入取91),数组2的元素值平均值为92.5(四舍五入取93),……,数组13中一个异常值“13”,形成这个异常值的原因可能是因为这个就餐时间分段的分段时间范围内突下暴雨等原因造成的就餐人数突然急剧下降,这个异常值会影响后续对就餐人数预测的准确度,所以需要进行剔除后填充。
异常值剔除方法为:判断每个就餐时间段内的每个就餐时间分段的历史就餐人数与该就餐时间段内的所有就餐时间分段的历史就餐人数的平均值的比值是否小于第一阈值(优选为0.5)或大于第二阈值(优选为1.5),
若是,则将该就餐时间段的历史就餐人数视为异常值予以剔除;比如,表a中的第5行第5列中的首个代表历史就餐人数的数值为“13”,表a中的第5行第5列中的所有数值的平均值为61.25,由于则将该异常值“13”剔除;
若否,则视为正常值不予以剔除。
异常值填充方法为取该异常值对应的就餐时间段中的其他就餐时间分段对应的历史就餐人数的平均值,即取“68”“78”“86”这3个数值的平均值,四舍五入得77填充到异常值“13”的排序位置处。
步骤S13,从序列中的首个排序号对应的数值开始,以连续2个排序号为一组,将序列划分为多个数组,每个数组表达为a表示第a个数组Ba,a为大于等于2的自然数,并计算每个数组Ba中的各元素的元素值的平均值,计算公式为:
首先将序列划分为多个数组,划分方式为,从序列中的首个排序号对应的数值(91)开始,以连续2个排序号为一组(“91”“93”为数组1,“93”“94”为数组2,“94”“95”为数组3,……,“76”“77”为数组12)。
然后计算每个数组Ba中的各元素的元素值的平均值(数组1“91”“93”的平均值四舍五入取92,数组2“93”“94”的平均值四舍五入取94,以此类推,得到12个数组的元素值平均值,即表a中的第7列按序排列的数值)。
结合表a对表征值计算方式进行举例说明:
比如序列的首个元素的元素值为92,该元素对应的就餐时间分段为11:30-11:45;序列qN中与该元素(“92”)对应的元素为“95”(元素“92”和“95”对应的就餐时间分段均为11:30-11:45且同属于历史星期wk-3,即确定元素“92”与“95”之间具有对应关系),
然后计算序列qN中的元素值“95”与序列中的元素值“92”的比值(表a中第8列的数值“103.26”)作为表征历史星期wk-3中的星期二中的就餐时间分段11:30-11:45的历史就餐人数增减规律的表征值。
请继续参照图1,本实施例提供的就餐规律预测方法还包括:
步骤S2,计算不同的历史星期wk中的同个星期l中的同个就餐时间分段分别对应的各表征值的平均值作为所对应的就餐时间分段的就餐人数预测系数,记为表示就餐时间段内的第i个就餐时间分段对应的就餐人数预测系数,并对各就餐人数预测系数进行校正;
请见下表b:
表b
由于不同的就餐时间分段对于就餐人数的就餐人数增减趋势的影响程度并不一致,比如通常情况下,午餐时段的11:00钟之前的就餐人数增加趋势平缓,但11:00-12:00间的时间段就餐人数的增加趋势较10:00-11:00来的急剧,甚至11:30-11:45之间的人数增加趋势较11:00-11:15时间段的人数增加趋势更为急剧,所以为了确保就餐人数增减规律预测的准确度,本发明引入了就餐人数增减趋势影响因子去校正就餐人数预测系数影响因子的值是基于就餐人数预测值与真实值之间的关系总结分析而得,由于影响因子的值的计算过程并非本发明要求权利保护的范围,所以关于影响因子值的具体计算过程在此不做阐述。每个就餐时间分段对应的影响因子的数值实际并不一致,但为了便于计算,本实施例将各就餐时间分段对应的影响因子统一为0.98。
公式(3)中,fi表示第i个就餐时间分段对应的就餐人数增减趋势影响因子。
请继续参照图1,本实施例提供的就餐规律预测方法,还包括:
步骤S3,以各表征值为离散点,对各离散点进行直线拟合得到回归直线方程,回归直线方程以就餐时间分段的排序号Tx为自变量,以就餐时间分段对应的就餐人数趋势预测值y′为因变量;
该回归直线方程表达如下:
y′=A+B×Tx 公式(4)
公式(4)中,A表示所述回归直线方程的截距,B表示回归直线方程的斜率。
本发明优选采用最小二乘法对各离散点进行直线拟合求解出回归直线方程的斜率和截距。由于最小二乘法对各离散点进行直线拟合得到回归直线方程的具体过程并非本发明要求权利保护的范围,所以对回归直线方程的具体计算过程在此不做说明。
步骤S4,利用回归直线方程,求解出每个历史星期wk中的同个星期l中的每个就餐时间分段对应的就餐人数趋势预测值y′;
步骤S5,计算关联每个排序号Tx的就餐人数趋势预测值y′与经校正后的就餐人数预测系数的乘积作为对该排序号Tx对应的就餐时间分段的就餐人数的预测值y″,并根据关联每个排序号TX的预测值y″和真实值y计算得到对就餐时间分段的就餐人数预测误差RES;
例如,根据表b记载,关联排序号Tx=3(对应11:45-12:00这个就餐时间分段)的经校正后的就餐人数预测系数为102.50。根据回归直线方程计算得到关联排序号Tx=3的就餐人数趋势预测值y′比如为98,那么计算98与102.50%的乘积=100.45(四舍五入取值100),那么根据以上计算方法得到该排序号为3的对应就餐时间分段(历史星期wk-3中的星期二的11:30-11:45)的就餐人数预测值y″=100。
按照相同的方法,计算出每个排序号Tx对应的就餐人数预测值y″,然后根据关联每个排序号TX的预测值y″和真实值y计算得到对就餐时间分段的就餐人数预测误差RES;
本实施例通过以下公式(5)计算预测误差RES:
步骤S6,计算k+1星期(待进行就餐人数增减规律预测的星期)的同个星期l(例如同为星期二)的同个就餐时间段(例如相同的11:00-12:00这个就餐时间段)内的每个就餐时间分段对应的预测值y″(计算方法同样为先根据回归直线方程求解就餐时间分段对应的就餐人数趋势预测值y′,比如,如表a中所示,k+1星期中的星期二中的11:00-11:15这一就餐时间分段对应的排序号为17,则根据上述求得的回归直线方程,可求解出排序号为17的该就餐时间分段对应的就餐人数趋势预测值y′,然后获取该就餐时间分段对应就餐人数预测系数将y′与相乘即可得到k+1星期中的星期二中的11:00-11:15这一就餐时间分段对应的预测值y″),
然后判断就餐时间分段是否处于所处就餐时间段的就餐人数单调递增区间,
若是,则计算关联该就餐时间分段的预测值y″与预测误差RES的和值作为对该就餐时间分段的预测就餐人数;
若否,则计算关联该就餐时间分段的预测值y″与预测误差RES的差值作为对该就餐时间分段的预测就餐人数;
步骤S7,完成对k+1星期中的所有星期l中的每个就餐时间段内的每个就餐时间分段的就餐人数预测,并将关联各就餐时间分段的预测结果拟合为表征k+1星期内不同天的就餐人数增减规律的第一就餐规律曲线以及拟合为表征每日不同餐段的就餐人数增减规律的第二就餐规律曲线并通过智能终端推送给用户;
步骤S8,以k+1星期中的星期l中的就餐时间段内的第i-1个就餐时间分段的实际就餐人数对第i个就餐时间分段(第i-1个就餐时间分段的下一个就餐时间分段)的预测就餐人数进行校正,并以校正结果动态更新第一就餐规律曲线和第二就餐规律曲线。
本发明实施例以k+1星期中的星期l中的就餐时间段内的第i-1个就餐时间分段的实际就餐人数对第i个就餐时间分段的预测就餐人数进行校正的方法包括:
公式(6)中,表示订餐人员u在每个历史星期wk的同个星期l的相同就餐时间段中的第i个就餐时间分段具有就餐行为的次数;表示订餐人员u在每个历史星期wk的同个星期l的相同就餐时间段中的第i个就餐时间分段有用餐行为和无用餐行为的总次数;
比如,订餐人员u在历史星期w1、w2、w4的星期二的11:00-11:15有用餐行为,在历史星期w3的星期二没有用餐行为,则该订餐人员u在星期w5(w4的下一个星期)的星期二的11:00-11:15到该食堂用餐的初始概率表示该用户有75%的概率会在11:00-11:15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,且午餐、早餐、晚餐三个就餐时间段中又分为早餐时段的7:30-8:30,午餐时段的11:30-12:00,晚餐时段的17:30-18:30的就餐概率最高,所以一个星期中的不同日,同一日的不同就餐时段,相同就餐时段的不同就餐时间分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l和同个就餐时段的不同就餐时间分段相对应的用餐影响权重,对初始概率进行校正;
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分段11:00-11:15的用餐影响权重为0.9,赋予就餐时间分段11:15-11:30的用餐影响权重为0.95,赋予就餐时间分段11:30-11:45的用餐影响权重为1,赋予就餐时间分段11:45-12:00的用餐影响权重为0.95。
步骤S84,判断经校正后的概率P的概率值是否大于预设的概率阈值,
步骤S85,从数据库中匹配出步骤S84所确定的会在k+1星期的星期l中的就餐时间分段的时间段范围内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S6得到的和值或差值与匹配到的对应的影响因子的乘积作为对所预测的就餐人数的静态校正结果;
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S9估算的和值或差值所表征的预测就餐人数进行校正。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。
获取食堂某个就餐时间分段的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分段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,得到每个就餐时间分段的真实就餐人数。
步骤S87,根据当前就餐时间分段的下一个就餐时间分段在所处的就餐时间段内的就餐人数的递增或递减趋势,并结合误差率err,对下一个就餐时间分段对应的静态校正结果进行动态校正,得到对应该就餐时间分段的预测就餐人数动态校正结果,具体校正方法为:
err表示上述的误差率。
err表示上述的误差率。
本发明还提供了一种智慧食堂就餐规律预测装置,可实现上述的就餐规律预测方法,如图4所示,该装置包括:
就餐时间段划分模块,用于以15min为分段时间长度,将连续历史星期中的每个历史星期wk中的所有星期l中的每个就餐时间段划分为4个时间等分的就餐时间分段,每个就餐时间段的时长为1小时;
历史就餐人数获取模块,连接就餐时间段划分模块,用于获取每个历史星期wk中的在同个星期l的同个就餐时间段内的每个就餐时间分段内就餐的历史就餐人数;
就餐人数增减规律表征值计算模块,连接历史就餐人数获取模块,用于根据所获取的历史就餐人数数据计算表征每个就餐时间分段对应的就餐人数增减规律的表征值,记为RTa,a表示第a个表征值;
就餐人数预测系数计算模块,连接就餐人数增减规律表征值计算模块,用于计算不同的历史星期wk中的同个星期l中的同个就餐时间分段分别对应的各表征值的平均值作为所对应的就餐时间分段的就餐人数预测系数,记为表示就餐时间段内的第i个就餐时间分段对应的就餐人数预测系数;
回归直线方程计算模块,连接就餐人数增减规律表征值计算模块,用于以各表征值为离散点,对各离散点进行直线拟合得到回归直线方程,回归直线方程以就餐时间分段的排序号Tx为自变量,以就餐时间分段对应的就餐人数趋势预测值y′为因变量;
就餐人数趋势预测值计算模块,连接回归直线方程计算模块,用于利用回归直线方程,求解出每个历史星期wk中的同个星期l中的每个就餐时间分段对应的就餐人数趋势预测值y′;
历史就餐人数预测值计算模块,分别连接就餐人数趋势预测值计算模块和系数校正模块,用于计算每个就餐时间分段对应的就餐人数趋势预测值y′与其对应的经校正后的就餐人数预测系数的乘积作为对就餐时间分段的历史就餐人数的预测值y″;
预测误差计算模块,分别连接历史就餐人数预测值计算模块和历史就餐人数获取模块,用于根据关联每个排序号Tx的预测值y″和真实值y计算对每个就餐时间分段的就餐人数预测误差RES;
就餐人数预测模块,分别连接就餐人数趋势预测值计算模块和系数校正模块,用于计算k+1星期中的同个星期l中的同个就餐时间段内的每个就餐时间分段对应的预测值y″;
就餐人数增减区间判断模块,用于判断每个就餐时间分段在所处的就餐时间段中是否处于就餐人数单调递增或递减区间;
预测值调整模块,分别连接预测误差计算模块、就餐人数预测模块和就餐人数增减区间判断模块,用于在判定就餐时间分段处于就餐时间段的单调递增区间时,计算就餐时间分段对应的预测值y″与预测误差RES的和值作为对就餐时间分段的就餐人数预测结果,
并用于在判定就餐时间分段处于就餐时间段的单调递减区间时,计算就餐时间分段对应的预测值y″与预测误差RES的差值作为对就餐时间分段的就餐人数预测结果;
曲线拟合模块,连接预测值调整模块,用于将关联k+1星期中的每个星期l的不同就餐时间段的每个就餐时间分段的预测结果拟合为表征k+1星期内不同天的就餐人数增减规律的第一就餐规律曲线以及拟合为表征每日不同餐段的就餐人数增减规律的第二就餐规律曲线;
拟合曲线推送模块,连接曲线拟合模块,用于将第一就餐规律曲线和第二就餐规律曲线通过智能终端推送给用户;
预测值校正模块,连接预测值调整模块,用于以k+1星期中的星期l中的就餐时间段内的第i-1个就餐时间分段的实际就餐人数对第i个就餐时间分段的预测就餐人数进行校正,得到关联第i个就餐时间分段的校正结果;
曲线拟合模块,还连接预测值校正模块,还用于以校正结果动态更新第一就餐规律曲线和第二就餐规律曲线。
如图5所示,就餐人数增减规律表征值计算模块中具体包括:
第一序列形成单元,用于按照每个历史星期wk和每个历史星期wk中的各就餐时间分段的时间先后顺序对关联每个就餐时间分段的历史就餐人数数据进行排序,形成历史就餐人数序列,记为qN, wk表示第k个历史星期,Tx表示第x个排序号,n为排序号总数,表示排序号为Tn的关联历史星期wk的就餐时间段内的第i个就餐时间分段的历史就餐人数,表示就餐时间段内的第i个就餐时间分段;T表示每个就餐时间段的起始就餐时间点,D表示每个就餐时间分段的时间长度;
第一数组划分单元,连接第一序列形成单元,用于从序列qN的首个排序号对应的数值开始,以连续4个排序号为一组,将序列qN划分为多个数组并按照划分顺序按序排列各数组,每个数组表达为m表示第m个数组Am,4≤x≤n;
第一平均值计算单元,连接第一数组划分单元,用于计算每组数组Am中的各个元素的元素值的平均值,计算公式为:
第二平均值计算单元,分别连接第二数组划分单元,用于计算每组数组Ba中的各元素的元素值的平均值,计算公式为:
就餐人数增减规律表征值计算单元,分别连接第一序列形成单元和第三序列形成单元,用于计算序列qN中的每个元素与序列中的对应元素的元素值的比值作为表征对应的就餐时间分段的历史就餐人数的增减规律的表征值,记为RTa。
如图6所示,预测值校正模块中包括:
公式(12)中,表示订餐人员u在每个历史星期wk的同个星期l的相同就餐时间段中的第i个就餐时间分段具有就餐行为的次数;表示订餐人员u在每个历史星期wk的同个星期l的就餐时间段中的第i个就餐时间分段有用餐行为和无用餐行为的总次数;
阈值判断及就餐人数计数单元,连接初始概率校正单元,用于判断经校正后的概率P的概率值是否大于预设的概率阈值,
就餐预测人数静态校正单元,连接就餐人数预测影响因子匹配单元,用于计算经预测值调整后的和值或差值与匹配到的对应的影响因子的乘积作为对所预测的就餐人数的静态校正结果;
误差率计算单元,连接就餐人数实时获取单元和就餐预测人数静态校正单元,用于通过以下公式(14)计算得到静态校正结果的误差率err:
就餐预测人数动态校正单元,分别连接误差率计算单元和就餐预测人数静态校正单元,用于根据当前的第i-1个就餐时间分段的下一个就餐时间分段在所处的就餐时间段内的就餐人数的递增或递减趋势,并结合误差率err,对下一个就餐时间分段对应的静态校正结果进行动态校正,得到对应就餐时间分段的预测就餐人数动态校正结果。
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)
1.一种智慧食堂就餐规律预测方法,其特征在于,步骤包括:
1)获取连续历史星期中的每个历史星期wk中的在同个星期l的同个就餐时间段内的每个就餐时间分段的分段时间范围内就餐的历史就餐人数,并根据所获取的历史就餐人数数据计算表征每个所述就餐时间分段对应的就餐人数增减规律的表征值,记为RTa,a表示第a个表征值;
2)计算不同的所述历史星期wk中的同个星期l中的同个所述就餐时间分段分别对应的各所述表征值的平均值作为所对应的所述就餐时间分段的就餐人数预测系数,记为表示所述就餐时间段内的第i个所述就餐时间分段对应的所述就餐人数预测系数,并对各所述就餐人数预测系数进行校正;
3)以各所述表征值为离散点,对各所述离散点进行直线拟合得到回归直线方程,所述回归直线方程以所述就餐时间分段的排序号Tx为自变量,以所述就餐时间分段对应的就餐人数趋势预测值y′为因变量;
4)利用所述回归直线方程,求解出每个所述历史星期wk中的同个所述星期l中的每个所述就餐时间分段对应的所述就餐人数趋势预测值y′;
5)计算关联每个所述排序号Tx的所述就餐人数趋势预测值y′与经校正后的所述就餐人数预测系数的乘积作为对所述排序号Tx对应的所述就餐时间分段的就餐人数的预测值y″,并根据关联每个所述排序号Tx的所述预测值y″和真实值y计算对所述就餐时间分段的就餐人数预测误差RES;
6)计算k+1星期的同个所述星期l的同个所述就餐时间段内的每个所述就餐时间分段对应的所述预测值y″,然后判断所述就餐时间分段是否处于所处就餐时间段的就餐人数单调递增区间,
若是,则计算关联所述就餐时间分段的所述预测值y″与所述预测误差RES的和值作为对所述就餐时间分段的预测就餐人数;
若否,则计算关联所述就餐时间分段的所述预测值y″与所述预测误差RES的差值作为对所述就餐时间分段的预测就餐人数;
7)完成对所述k+1星期中的所有所述星期l中的每个所述就餐时间段内的每个所述就餐时间分段的就餐人数预测,并将关联所述k+1星期中的每个所述星期l的不同所述就餐时间段的每个所述就餐时间分段的各预测结果拟合为表征所述k+1星期内不同天的就餐人数增减规律的第一就餐规律曲线以及拟合为表征每日不同餐段的就餐人数增减规律的第二就餐规律曲线并通过智能终端推送给用户;
8)以所述k+1星期中的所述星期l中的所述就餐时间段内的第i-1个所述就餐时间分段的实际就餐人数对第i个所述就餐时间分段的预测就餐人数进行校正,并以校正结果动态更新所述第一就餐规律曲线和所述第二就餐规律曲线。
2.根据权利要求1所述的就餐规律预测方法,其特征在于,所述步骤1)中,计算每个所述就餐时间分段对应的所述表征值的方法步骤包括:
1.1)按照每个所述历史星期wk和每个所述历史星期wk中的各所述就餐时间分段的时间先后顺序对关联每个所述就餐时间分段的历史就餐人数数据进行排序,形成历史就餐人数序列,记为qN, wk表示第k个历史星期,Tx表示第x个排序号,n为排序号总数,表示排序号为Tn的关联所述历史星期wk的所述就餐时间段内的第i个所述就餐时间分段的历史就餐人数,表示所述就餐时间段内的第i个所述就餐时间分段;T表示每个所述就餐时间段的起始就餐时间点,D表示每个所述就餐时间分段的时间长度,D=15min,每个所述就餐时间段为1小时;
1.2)从所述序列qN中的首个所述排序号对应的数值开始,以连续4个排序号为一组,将所述序列qN划分为多个数组并按照划分顺序按序排列各所述数组,每个数组表达为 m表示第m个所述数组Am,4≤x≤n,并计算每组所述数组Am中的各个元素的元素值的平均值,计算公式为:
1.3)从所述序列中的首个排序号对应的数值开始,以连续2个排序号为一组,将所述序列划分为多个数组,每个数组表达为a表示第a个所述数组Ba,a为大于等于2的自然数,并计算每个所述数组Ba中的各元素的元素值的平均值,计算公式为:
4.根据权利要求1所述的就餐规律预测方法,其特征在于,所述步骤3)中,以最小二乘法对各所述离散点进行直线拟合求解出所述回归直线方程的斜率和截距。
6.根据权利要求1所述的就餐规律预测方法,其特征在于,所述步骤8)中,以所述k+1星期中的所述星期l中的所述就餐时间段内的第i-1个所述就餐时间分段的实际就餐人数对第i个所述就餐时间分段的预测就餐人数进行校正的方法步骤包括:
公式(5)中,表示所述订餐人员u在每个所述历史星期wk的同个所述星期l的相同就餐时间段中的第i个所述就餐时间分段具有就餐行为的次数;表示所述订餐人员u在每个所述历史星期wk的同个所述星期l的相同就餐时间段中的第i个所述就餐时间分段有用餐行为和无用餐行为的总次数;
8.4)判断经校正后的所述概率P的概率值是否大于预设的概率阈值,
8.5)从数据库中匹配出所述步骤8.4)所确定的会在所述k+1星期的所述星期l中的所述就餐时间分段的分段时间范围内到食堂就餐的人数所对应的就餐人数预测影响因子,并计算所述步骤9)得到的所述和值或所述差值与匹配到的对应的所述影响因子的乘积作为对所预测的就餐人数的静态校正结果;
9.一种智慧食堂的就餐规律预测装置,可实现如权利要求1-8任意一项所述的就餐规律预测方法,其特征在于,所述装置包括:
就餐时间段划分模块,用于以15min为分段时间长度,将连续历史星期中的每个历史星期wk中的所有星期l中的每个就餐时间段划分为4个时间等分的就餐时间分段,每个所述就餐时间段的时长为1小时;
历史就餐人数获取模块,连接所述就餐时间段划分模块,用于获取每个所述历史星期wk中的在同个所述星期l的同个所述就餐时间段内的每个所述就餐时间分段内就餐的历史就餐人数;
就餐人数增减规律表征值计算模块,连接所述历史就餐人数获取模块,用于根据所获取的历史就餐人数数据计算表征每个所述就餐时间分段对应的就餐人数增减规律的表征值,记为RTa,a表示第a个表征值;
就餐人数预测系数计算模块,连接所述就餐人数增减规律表征值计算模块,用于计算不同的所述历史星期wk中的通过所述星期l中的同个所述就餐时间分段分别对应的各所述表征值的平均值作为所对应的所述就餐时间分段的就餐人数预测系数,记为 表示所述就餐时间段内的第i个所述就餐时间分段对应的所述就餐人数预测系数;
回归直线方程计算模块,连接所述就餐人数增减规律表征值计算模块,用于以各所述表征值为离散点,对各所述离散点进行直线拟合得到回归直线方程,所述回归直线方程以所述就餐时间分段的排序号Tx为自变量,以所述就餐时间分段对应的就餐人数趋势预测值y′为因变量;
就餐人数趋势预测值计算模块,连接所述回归直线方程计算模块,用于利用所述回归直线方程,求解出每个所述历史星期wk中的同个所述星期l中的每个所述就餐时间分段对应的所述就餐人数趋势预测值y′;
历史就餐人数预测值计算模块,分别连接所述就餐人数趋势预测值计算模块和所述系数校正模块,用于计算每个所述就餐时间分段对应的所述就餐人数趋势预测值y′与其对应的经校正后的所述就餐人数预测系数的乘积作为对所述就餐时间分段的历史就餐人数的预测值y″;
预测误差计算模块,分别连接所述历史就餐人数预测值计算模块和所述历史就餐人数获取模块,用于根据关联每个所述排序号Tx的所述预测值y″和真实值y计算对每个所述就餐时间分段的就餐人数预测误差RES;
就餐人数预测模块,分别连接所述就餐人数趋势预测值计算模块和所述系数校正模块,用于计算k+1星期中的同个所述星期l中的同个所述就餐时间段内的每个所述就餐时间分段对应的所述预测值y″;
就餐人数增减区间判断模块,用于判断每个所述就餐时间分段在所处的所述就餐时间段中是否处于就餐人数单调递增或递减区间;
预测值调整模块,分别连接所述预测误差计算模块、所述就餐人数预测模块和所述就餐人数增减区间判断模块,用于在判定所述就餐时间分段处于所述就餐时间段的单调递增区间时,计算所述就餐时间分段对应的所述预测值y″与所述预测误差RES的和值作为对所述就餐时间分段的就餐人数预测结果,
并用于在判定所述就餐时间分段处于所述就餐时间段的单调递减区间时,计算所述就餐时间分段对应的所述预测值y″与所述预测误差RES的差值作为对所述就餐时间分段的就餐人数预测结果;
曲线拟合模块,连接所述预测值调整模块,用于将关联所述k+1星期中的每个所述星期l的不同所述就餐时间段的每个所述就餐时间分段的所述预测结果拟合为表征所述k+1星期内不同天的就餐人数增减规律的第一就餐规律曲线以及拟合为表征每日不同餐段的就餐人数增减规律的第二就餐规律曲线;
拟合曲线推送模块,连接所述曲线拟合模块,用于将所述第一就餐规律曲线和所述第二就餐规律曲线通过智能终端推送给用户;
预测值校正模块,连接所述预测值调整模块,用于以所述k+1星期中的所述星期l中的所述就餐时间段内的第i-1个所述就餐时间分段的实际就餐人数对第i个所述就餐时间分段的预测就餐人数进行校正,得到关联第i个所述就餐时间分段的校正结果;
所述曲线拟合模块,还连接所述预测值校正模块,还用于以所述校正结果动态更新所述第一就餐规律曲线和所述第二就餐规律曲线。
10.根据权利要求9所述的装置,其特征在于,所述就餐人数增减规律表征值计算模块中包括:
第一序列形成单元,用于按照每个所述历史星期wk和每个所述历史星期wk中的各所述就餐时间分段的时间先后顺序对关联每个所述就餐时间分段的历史就餐人数数据进行排序,形成历史就餐人数序列,记为qN, wk表示第k个历史星期,Tx表示第x个所述排序号,n为排序号总数,表示排序号为Tn的关联所述历史星期wk的所述就餐时间段内的第i个所述就餐时间分段的历史就餐人数,表示所述就餐时间段内的第i个所述就餐时间分段;T表示每个所述就餐时间段的起始就餐时间点,D表示每个所述就餐时间分段的时间长度;
第一数组划分单元,连接所述第一序列形成单元,用于从所述序列qN的首个排序号对应的数值开始,以连续4个排序号为一组,将所述序列qN划分为多个数组并按照划分顺序按序排列各所述数组,每个数组表达为 m表示第m个所述数组Am,4≤x≤n;
第一平均值计算单元,连接所述第一数组划分单元,用于计算每组所述数组Am中的各个元素的元素值的平均值,计算公式为:
第二数组划分单元,连接所述第二序列形成单元,用于从所述序列中的首个排序号对应的数值开始,以连续2个排序号为一组,将所述序列划分为多个数组,每个数组表达为a表示第a个所述数组Ba,a为大于等于2的自然数;
第二平均值计算单元,分别连接所述第二数组划分单元,用于计算每组所述数组Ba中的各元素的元素值的平均值,计算公式为:
就餐人数增减规律表征值计算单元,分别连接所述第一序列形成单元和所述第三序列形成单元,用于计算所述序列qN中的每个元素与所述序列中的对应元素的元素值的比值作为表征对应的所述就餐时间分段的历史就餐人数的增减规律的表征值,记为RTa;
所述预测值校正模块中包括:
公式(11)中,表示所述订餐人员u在每个所述历史星期wk的同个所述星期l的相同就餐时间段中的第i个所述就餐时间分段具有就餐行为的次数;表示所述订餐人员u在每个所述历史星期wk的同个所述星期l的所述就餐时间段中的第i个所述就餐时间分段有用餐行为和无用餐行为的总次数;
初始概率校正单元,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(12)校正所述初始概率,得到所述订餐人员u在k+1星期的所述星期l中的所述就餐时间分段的分段时间内到所述智慧食堂进行就餐的概率P:
阈值判断及就餐人数计数单元,连接所述初始概率校正单元,用于判断经校正后的所述概率P的概率值是否大于预设的概率阈值,
就餐人数预测影响因子匹配单元,连接所述阈值判断及就餐人数计数单元,用于从数据库中匹配出所确定的会在所述k+1星期的所述星期l中的所述就餐时间分段的分段时间范围内到食堂就餐的人数对应的就餐人数预测影响因子;
就餐预测人数静态校正单元,连接所述就餐人数预测影响因子匹配单元,用于计算经预测值调整后的所述和值或所述差值与匹配到的对应的所述影响因子的乘积作为对所预测的就餐人数的静态校正结果;
误差率计算单元,连接所述就餐人数实时获取单元和所述就餐预测人数静态校正单元,用于通过以下公式(13)计算得到所述静态校正结果的误差率err:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110943519.3A CN113673757B (zh) | 2021-08-17 | 2021-08-17 | 智慧食堂就餐规律预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110943519.3A CN113673757B (zh) | 2021-08-17 | 2021-08-17 | 智慧食堂就餐规律预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673757A true CN113673757A (zh) | 2021-11-19 |
CN113673757B CN113673757B (zh) | 2022-02-25 |
Family
ID=78543253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110943519.3A Active CN113673757B (zh) | 2021-08-17 | 2021-08-17 | 智慧食堂就餐规律预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673757B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463054A (zh) * | 2022-01-21 | 2022-05-10 | 浪潮卓数大数据产业发展有限公司 | 基于一卡通的园区门店客流量预测方法及系统 |
CN114971818A (zh) * | 2022-08-02 | 2022-08-30 | 广东志远科技有限公司 | 一种智慧餐厅数据存储处理方法及系统 |
CN116628040A (zh) * | 2023-05-16 | 2023-08-22 | 广东鸿智智能科技股份有限公司 | 基于大数据的烹饪菜单获取及更新方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670540A (zh) * | 2018-12-04 | 2019-04-23 | 华南理工大学 | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 |
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 |
CN112530076A (zh) * | 2020-11-24 | 2021-03-19 | 深圳市科拜斯物联网科技有限公司 | 健康管理的食堂餐饮系统和方法 |
-
2021
- 2021-08-17 CN CN202110943519.3A patent/CN113673757B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670540A (zh) * | 2018-12-04 | 2019-04-23 | 华南理工大学 | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 |
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 |
CN112530076A (zh) * | 2020-11-24 | 2021-03-19 | 深圳市科拜斯物联网科技有限公司 | 健康管理的食堂餐饮系统和方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463054A (zh) * | 2022-01-21 | 2022-05-10 | 浪潮卓数大数据产业发展有限公司 | 基于一卡通的园区门店客流量预测方法及系统 |
CN114971818A (zh) * | 2022-08-02 | 2022-08-30 | 广东志远科技有限公司 | 一种智慧餐厅数据存储处理方法及系统 |
CN116628040A (zh) * | 2023-05-16 | 2023-08-22 | 广东鸿智智能科技股份有限公司 | 基于大数据的烹饪菜单获取及更新方法 |
CN116628040B (zh) * | 2023-05-16 | 2024-05-07 | 广东鸿智智能科技股份有限公司 | 基于大数据的烹饪菜单获取及更新方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113673757B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113673757B (zh) | 智慧食堂就餐规律预测方法及装置 | |
Komlos | How to (and how not to) analyze deficient height samples | |
CN100551031C (zh) | 在项目推荐器中把多个项划分成相似项的组的方法及装置 | |
CN106339579B (zh) | 一种移动健康与医疗的饮食控制方法 | |
CN108628967B (zh) | 一种基于学习生成网络相似度的网络学习群组划分方法 | |
CN110020165A (zh) | 一种饮食推荐方法和家庭机器人 | |
JP6308466B2 (ja) | 環境制御装置、プログラム | |
CN1666518A (zh) | 使用群紧密度作为产生用于分类tv节目的附加群的量度的方法和装置 | |
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 | |
KR101418307B1 (ko) | 다중 의사 결정 문제 해결을 위한 구간 회색수 및 엔트로피 기반 해법 연산 방법 | |
CN110349358B (zh) | 基于健康管理的餐饮结算方法、装置、终端及可读介质 | |
CN116805023B (zh) | 一种基于大语言模型的外卖推荐方法 | |
CN110414358B (zh) | 基于人脸智能识别的信息输出方法、装置及存储介质 | |
CN111915041A (zh) | 一种基于云计算的餐饮会员大数据分析管理系统 | |
CN112288530A (zh) | 资源共享智能就餐方法、装置、系统、介质和设备 | |
CN111221262A (zh) | 一种基于人体特征自适应智能家居调节方法和系统 | |
CN115985470A (zh) | 营养智能管理方法和智能管理系统 | |
CN112037095B (zh) | 一种人工智能核心算法的智慧校园管理系统 | |
CN113592183B (zh) | 就餐高峰预测方法及装置 | |
CN104636833B (zh) | 选取配置措施的方法和装置 | |
CN106453447A (zh) | 信息展示方法及装置 | |
CN117291759B (zh) | 基于3d识别技术的交互式智慧餐厅体验系统 | |
CN109754333A (zh) | 一种多区域聚合的地区雷电敏感负荷挖掘方法 | |
US11854250B2 (en) | Portable terminal and oshibori management system | |
CN116664255B (zh) | 基于人工智能的店铺推荐方法和系统 |
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 |