CN114881370A - 食堂菜品规划方法及装置 - Google Patents
食堂菜品规划方法及装置 Download PDFInfo
- Publication number
- CN114881370A CN114881370A CN202210686682.0A CN202210686682A CN114881370A CN 114881370 A CN114881370 A CN 114881370A CN 202210686682 A CN202210686682 A CN 202210686682A CN 114881370 A CN114881370 A CN 114881370A
- Authority
- CN
- China
- Prior art keywords
- data
- canteen
- dishes
- prediction
- dining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000004140 cleaning Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 235000013305 food Nutrition 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 abstract description 4
- 235000012054 meals Nutrition 0.000 description 17
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000000605 extraction Methods 0.000 description 10
- 239000000872 buffer Substances 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000009508 confectionery Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种食堂菜品规划方法及装置,涉及机器学习领域,方法包括:获取食堂菜品历史消耗数据和食堂就餐数据并进行数据清洗和异常优化;对经过所述数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型;根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果;本申请能够快速、准确预测食堂菜品消耗品量。
Description
技术领域
本申请涉及机器学习领域,具体涉及一种食堂菜品规划方法及装置。
背景技术
公司食堂每日需根据就餐人员数量预测及口味偏好合理规划相应菜品类型和数量,确保饭菜正常供应的情况下又不造成饭菜浪费。
通常规划菜品类型和数量依靠的是人工经验判断,而实际就餐人员数量及菜品选择与外部因素有较复杂关联波动较大,导致靠人工难以很好对菜品类型和数量进行准确预估。
发明内容
针对现有技术中的问题,本申请提供一种食堂菜品规划方法及装置,能够快速、准确预测食堂菜品消耗品量。
为了解决上述问题中的至少一个,本申请提供以下技术方案:
第一方面,本申请提供一种食堂菜品规划方法,包括:
获取食堂菜品历史消耗数据和食堂就餐数据并进行数据清洗和异常优化;
对经过所述数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型;
根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果。
进一步地,所述进行数据清洗包括:
判断所述食堂菜品历史消耗数据中是否存在设定特殊日期时的异常波动数据;
若存在,则根据设定时间周期内同菜品消耗量平均值对该设定特殊日期时的消耗数据进行修复更新。
进一步地,所述进行数据清洗还包括:
将所述食堂菜品历史消耗数据和食堂就餐数据中三倍于数据集的标准差的数据设定为噪声数据;
对所述噪声数据进行平滑处理,得到经过平滑处理后的食堂菜品历史消耗数据和食堂就餐数据。
进一步地,所述进行异常优化包括:
判断所述食堂菜品历史消耗数据中是否存在数值为零的当日消耗数据;
若存在,则根据设定时间周期内同菜品消耗量平均值对该当日消耗数据进行修复更新。
进一步地,所述根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型,包括:
根据提取到的特征和多个不同预测算法对预设预测模型进行训练;
对经过训练后的预测模型的预测能力进行评估,根据评估结果筛选得预测模型。
进一步地,所述根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果,包括:
对预设权重向量集合的每个权重组合代入食堂菜品测试集进行预测,根据预测结果确定预测评估效果最佳的权重组合作为所述预测模型的组合权重参数;
根据多个经过训练后的预测模型和各自对应的组合权重参数,得到食堂菜品未来就餐日的消耗数量预测结果。
第二方面,本申请提供一种食堂菜品规划装置,包括:
数据预处理模块,用于获取食堂菜品历史消耗数据和食堂就餐数据并进行数据清洗和异常优化;
模型训练模块,用于对经过所述数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型;
组合预测模块,用于根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果。
进一步地,所述数据预处理模块包括:
异常波动判定单元,用于判断所述食堂菜品历史消耗数据中是否存在设定特殊日期时的异常波动数据;
异常波动修复单元,用于若存在,则根据设定时间周期内同菜品消耗量平均值对该设定特殊日期时的消耗数据进行修复更新。
进一步地,所述数据预处理模块包括:
噪声数据判定单元,用于将所述食堂菜品历史消耗数据和食堂就餐数据中三倍于数据集的标准差的数据设定为噪声数据;
噪声数据处理单元,用于对所述噪声数据进行平滑处理,得到经过平滑处理后的食堂菜品历史消耗数据和食堂就餐数据。
进一步地,所述数据预处理模块包括:
异常数据判定单元,用于判断所述食堂菜品历史消耗数据中是否存在数值为零的当日消耗数据;
异常数据处理单元,用于若存在,则根据设定时间周期内同菜品消耗量平均值对该当日消耗数据进行修复更新。
进一步地,所述模型训练模块包括:
多模型训练单元,用于根据提取到的特征和多个不同预测算法对预设预测模型进行训练;
多模型筛选单元,用于对经过训练后的预测模型的预测能力进行评估,根据评估结果筛选得预测模型。
进一步地,所述组合预测模块包括:
组合参数确定单元,用于对预设权重向量集合的每个权重组合代入食堂菜品测试集进行预测,根据预测结果确定预测评估效果最佳的权重组合作为所述预测模型的组合权重参数;
多模型组合预测单元,用于根据多个经过训练后的预测模型和各自对应的组合权重参数,得到食堂菜品未来就餐日的消耗数量预测结果。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的食堂菜品规划方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的食堂菜品规划方法的步骤。
第五方面,本申请提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述的食堂菜品规划方法的步骤。
由上述技术方案可知,本申请提供一种食堂菜品规划方法及装置,通过对经过数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型,并根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果,由此能够快速、准确预测食堂菜品消耗品量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请实施例中的食堂菜品规划方法的流程示意图之一;
图2为本申请实施例中的食堂菜品规划方法的流程示意图之二;
图3为本申请实施例中的食堂菜品规划方法的流程示意图之三;
图4为本申请实施例中的食堂菜品规划方法的流程示意图之四;
图5为本申请实施例中的食堂菜品规划方法的流程示意图之五;
图6为本申请实施例中的食堂菜品规划方法的流程示意图之六;
图7为本申请实施例中的食堂菜品规划装置的结构图之一;
图8为本申请实施例中的食堂菜品规划装置的结构图之二;
图9为本申请实施例中的食堂菜品规划装置的结构图之三;
图10为本申请实施例中的食堂菜品规划装置的结构图之四;
图11为本申请实施例中的食堂菜品规划装置的结构图之五;
图12为本申请实施例中的食堂菜品规划装置的结构图之六;
图13为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
考虑到现有技术中规划菜品类型和数量依靠的是人工经验判断,而实际就餐人员数量及菜品选择与外部因素有较复杂关联波动较大,导致靠人工难以很好对菜品类型和数量进行准确预估的问题,本申请提供一种食堂菜品规划方法及装置,通过对经过数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型,并根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果,由此能够快速、准确预测食堂菜品消耗品量。
为了能够快速、准确预测食堂菜品消耗品量,本申请提供一种食堂菜品规划方法的实施例,参见图1,所述食堂菜品规划方法具体包含有如下内容:
步骤S101:获取食堂菜品历史消耗数据和食堂就餐数据并进行数据清洗和异常优化。
可选的,本申请可以获取所在食堂所有菜品消耗数量历史数据,以及与该食堂相关的其他影响菜品消耗量的相关数据,例如食堂就餐数据,包括节假日数据、食堂人员数量等相关数据。获取数据后对相关数据进行清洗、优化处理,以便于后续进行建模预测时取得更好的模型训练效果。
具体的,本申请可以通过IT管理系统获取各类菜品近两年历史消耗量数据,包括日期、供餐时段、菜品清单、菜品名称、菜品类型、是否特色菜品、菜品价格、菜品消耗量、菜品剩余数量。
具体的,本申请可以通过IT管理系统、外网数据获取食堂相关数据,包括节假日数据、食堂服务公司人员数量、食堂服务公司人员所属省份数量、食堂服务公司男性数量、食堂服务公司女性数量、就餐人员数量、就餐人员性别、就餐人员所属省份、外部事件。
可选的,所述数据清洗例如对获取的菜品历史消耗量数据进行数据清洗,包括:(1)剔除重复值。同一日期存在多条记录的,去掉更早日期的记录,只保留最新一条记录。(2)修复缺失数据。根据当日菜品清单,筛选缺失菜品消耗量记录的数据,采取近4周同期的平均值来填充缺失值,如缺失日期在春节、国庆、五一等国家节假日期间则剔除该数据。
步骤S102:对经过所述数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型。
可选的,本申请可以对经过处理的食堂菜品相关数据进行加工生成特征数据,并采用多种机器学习算法进行模型训练,生成多个单算法模型,根据模型评估效果筛选效果较优的三种算法模型,用于后续进行模型集成预测,预测食堂未来一段时间周期内每天每种菜品的消耗量。
具体的,本申请可以获取已经过数据处理的食堂菜品历史消耗量数据以及食堂相关数据进行加工,生成可用于模型训练的特征数据集,包括:
(1)生成菜品基础特征,包括供餐时段、菜品名称、菜品类型、是否特色菜品、菜品价格。
(2)生成时间周期特征,包括当月第几周、周几、月初月中月末、季节类型、当天是否为节假日、前一天是否为节假日、前两天是否为节假日、前三天是否为节假日、明天是否为节假日、后天是否为节假日、后三天是否为节假日、节假日总天数、节假日剩余天数。
(3)生成序列关联特征,包括相同菜品前一次消耗量、相同菜品前两次消耗量、相同菜品前三次消耗量、相同菜品前四次消耗量、相同菜品前5次消耗量、前一天所有菜品消耗量、前两天所有菜品消耗量、前三天所有菜品消耗量、前四天所有菜品消耗量、前五天所有菜品消耗量。
(4)生成序列统计特征,包括近半年相同菜品消耗量平均值、上月相同菜品消耗量平均值、上周相同菜品消耗量平均值、上个月所有菜品消耗量平均值、上周所有菜品消耗量平均值。
(5)生成其他关联特征,包括食堂服务公司人员数量、食堂服务公司人员男性数量、食堂服务公司人员女性数量、食堂服务公司人员偏辣省份数量、食堂服务公司人员偏酸省份数量、食堂服务公司人员偏甜省份数量、食堂服务公司人员偏咸省份数量、前一就餐日就餐男性人员数量、前一就餐日就餐女性数量、前一就餐日就餐人员偏辣省份数量、前一就餐日就餐人员偏酸省份数量、前一就餐日就餐人员偏甜省份数量、前一就餐日就餐人员偏咸省份数量。
生成特征数据后,对数据集进行归约处理,通过归约技术得到数据的简化表示,简化后的数据占用空间会变小,但是能产生近乎相同的分析结果,可以提高整个系统的效率。
步骤S103:根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果。
可选的,本申请可以对模型训练装置生成的三种单算法模型进行动态运算,生成组合权重策略,并基于该权重策略对多算法模型预测的结果进行集成,得到最终预测结果,预测结果为食堂未来一段周期内每天每种菜品的消耗数量。
从上述描述可知,本申请实施例提供的食堂菜品规划方法,能够通过对经过数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型,并根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果,由此能够快速、准确预测食堂菜品消耗品量。
为了能够有效进行数据清洗,在本申请的食堂菜品规划方法的一实施例中,参见图2,上述步骤S101还可以具体包含如下内容:
步骤S201:判断所述食堂菜品历史消耗数据中是否存在设定特殊日期时的异常波动数据。
步骤S202:若存在,则根据设定时间周期内同菜品消耗量平均值对该设定特殊日期时的消耗数据进行修复更新。
为了能够有效进行数据清洗,在本申请的食堂菜品规划方法的一实施例中,参见图3,上述步骤S101还可以具体包含如下内容:
可选的,本申请可以对经过数据清洗的菜品历史消耗量数据进行噪音数据分析和处理,排除异常数据对建模预测效果的影响,例如,根据外部事件数据进行异常分析处理。根据爬网数据分析所在日期特殊事件类型,包括恶劣天气、大型活动、疫情管制等事件,如当天数据较近四周同期同菜品平均值浮动超过50%,则视为异常数据,此时采取近4周同期的平均值来填充替代。
步骤S301:将所述食堂菜品历史消耗数据和食堂就餐数据中三倍于数据集的标准差的数据设定为噪声数据。
步骤S302:对所述噪声数据进行平滑处理,得到经过平滑处理后的食堂菜品历史消耗数据和食堂就餐数据。
可选的,本申请可以采用正态分布3σ原则,将三倍于数据集的标准差的点设为噪声数据,采用smoothdata方法对噪声数据进行平滑处理。
为了能够有效进行异常优化,在本申请的食堂菜品规划方法的一实施例中,参见图4,上述步骤S101还可以具体包含如下内容:
步骤S401:判断所述食堂菜品历史消耗数据中是否存在数值为零的当日消耗数据。
步骤S402:若存在,则根据设定时间周期内同菜品消耗量平均值对该当日消耗数据进行修复更新。
可选的,本申请可以在数据清洗完成后,再进一步分析是否需要进行优化,根据食堂菜品历史剩余数量数据,挑选出所有菜品剩余量为0的日期当天消耗数据T,计算该菜品近6个月以来所有剩余量不为0的日期消耗量数据的平均值T’,如果|(T-T’)|/T’>30%,则将T替换为T’。
为了能够有效进行多模型训练,在本申请的食堂菜品规划方法的一实施例中,参见图5,上述步骤S102还可以具体包含如下内容:
步骤S501:根据提取到的特征和多个不同预测算法对预设预测模型进行训练。
步骤S502:对经过训练后的预测模型的预测能力进行评估,根据评估结果筛选得预测模型。
可选的,本申请可以使用单个机器学习算法建模。采用deepforest、Xgboost、randomforesta、LightGBM、Catboost算法分别对S201加工产生的特征数据集进行模型训练,得到每个算法的模型,单独使用每个模型可以产生指定菜品下一个就餐日的消耗数量预测值。
具体的,评估模型效果筛选效果相对最优的三种算法。使用均方根误差即RMSE方法来对模型效果进行评估。在测试集上求所有模型的RMSE值分为两步,首先对测试集中的每个样本数据计算其在所有模型上的预测结果,并在数据库中保存该预测结果;然后,当所有测试集样本的预测结果计算完毕后,根据RMSE的公式分别求每个模型在测试集上的预测值和真实值的RMSE值,取值越小代表效果越好。最后,对模型RMSE取值按照从小到大排序后,选择前3个模型作为可用模型。
为了能够准确进行预测,在本申请的食堂菜品规划方法的一实施例中,参见图6,上述步骤S103还可以具体包含如下内容:
步骤S601:对预设权重向量集合的每个权重组合代入食堂菜品测试集进行预测,根据预测结果确定预测评估效果最佳的权重组合作为所述预测模型的组合权重参数。
步骤S602:根据多个经过训练后的预测模型和各自对应的组合权重参数,得到食堂菜品未来就餐日的消耗数量预测结果。
可选的,本申请可以计算算法权重向量(a,b,c),用于集成模型预测结果,可选集成策略包括:
(1)平分法,即三个模型预测结果取平均值。
(2)随机法。随机运算产生100组权重组合集[(a1,b1,c1),(a2,b2,c2),...(a100,b100,c100)],其中ax+bx+cx=1。
(3)组合法。以0.1为单位,将1分为10等分,在a、b、c中进行组合分配,abc均不含0等情况,则可以得到10*9*8种组合。
根据上述内容确定权重向量集合后,进行动态运算获得最优权重向量,即获得三种模型的最优集成策略。具体方法为:将每个权重组合代入测试集预测数据进行计算,计算新预测结果d=d1*a1+d2*b1+d3*c1,然后采用均方根误差RMSE法分别求每个权重组合产生的预测结果在测试集上的预测值和真实值的RMSE值,评估最好的权重组合做为最终的模型组合权重参数。
确定最优权重向量(ax,bx,cx)后,以该权重向量做为三种模型的集成策略,即可集成多模型预测结果,假设三个算模型对相同菜品下一就餐日的预测结果P1,P2,P3,则P=P1*ax+P2*bx+P3*cx为对食堂菜品下一个就餐日消耗数量预测结果。
为了能够快速、准确预测食堂菜品消耗品量,本申请提供一种用于实现所述食堂菜品规划方法的全部或部分内容的食堂菜品规划装置的实施例,参见图7,所述食堂菜品规划装置具体包含有如下内容:
数据预处理模块10,用于获取食堂菜品历史消耗数据和食堂就餐数据并进行数据清洗和异常优化。
模型训练模块20,用于对经过所述数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型。
组合预测模块30,用于根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果。
从上述描述可知,本申请实施例提供的食堂菜品规划装置,能够通过对经过数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型,并根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果,由此能够快速、准确预测食堂菜品消耗品量。
在本申请的食堂菜品规划装置的一实施例中,参见图8,所述数据预处理模块10包括:
异常波动判定单元11,用于判断所述食堂菜品历史消耗数据中是否存在设定特殊日期时的异常波动数据。
异常波动修复单元12,用于若存在,则根据设定时间周期内同菜品消耗量平均值对该设定特殊日期时的消耗数据进行修复更新。
在本申请的食堂菜品规划装置的一实施例中,参见图9,所述数据预处理模块10包括:
噪声数据判定单元13,用于将所述食堂菜品历史消耗数据和食堂就餐数据中三倍于数据集的标准差的数据设定为噪声数据。
噪声数据处理单元14,用于对所述噪声数据进行平滑处理,得到经过平滑处理后的食堂菜品历史消耗数据和食堂就餐数据。
在本申请的食堂菜品规划装置的一实施例中,参见图10,所述数据预处理模块10包括:
异常数据判定单元15,用于判断所述食堂菜品历史消耗数据中是否存在数值为零的当日消耗数据。
异常数据处理单元16,用于若存在,则根据设定时间周期内同菜品消耗量平均值对该当日消耗数据进行修复更新。
在本申请的食堂菜品规划装置的一实施例中,参见图11,所述模型训练模块20包括:
多模型训练单元21,用于根据提取到的特征和多个不同预测算法对预设预测模型进行训练。
多模型筛选单元22,用于对经过训练后的预测模型的预测能力进行评估,根据评估结果筛选得预测模型。
在本申请的食堂菜品规划装置的一实施例中,参见图12,所述组合预测模块30包括:
组合参数确定单元31,用于对预设权重向量集合的每个权重组合代入食堂菜品测试集进行预测,根据预测结果确定预测评估效果最佳的权重组合作为所述预测模型的组合权重参数。
多模型组合预测单元32,用于根据多个经过训练后的预测模型和各自对应的组合权重参数,得到食堂菜品未来就餐日的消耗数量预测结果。
从硬件层面来说,为了能够快速、准确预测食堂菜品消耗品量,本申请提供一种用于实现所述食堂菜品规划方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现食堂菜品规划装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的食堂菜品规划方法的实施例,以及食堂菜品规划装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,食堂菜品规划方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图13为本申请实施例的电子设备9600的系统构成的示意框图。如图13所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图13是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,食堂菜品规划方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤S101:获取食堂菜品历史消耗数据和食堂就餐数据并进行数据清洗和异常优化。
步骤S102:对经过所述数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型。
步骤S103:根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果。
从上述描述可知,本申请实施例提供的电子设备,通过对经过数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型,并根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果,由此能够快速、准确预测食堂菜品消耗品量。
在另一个实施方式中,食堂菜品规划装置可以与中央处理器9100分开配置,例如可以将食堂菜品规划装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现食堂菜品规划方法功能。
如图13所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图13中所示的所有部件;此外,电子设备9600还可以包括图13中没有示出的部件,可以参考现有技术。
如图13所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的食堂菜品规划方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的食堂菜品规划方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤S101:获取食堂菜品历史消耗数据和食堂就餐数据并进行数据清洗和异常优化。
步骤S102:对经过所述数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型。
步骤S103:根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果。
从上述描述可知,本申请实施例提供的计算机可读存储介质,通过对经过数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型,并根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果,由此能够快速、准确预测食堂菜品消耗品量。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的食堂菜品规划方法中全部步骤的一种计算机程序产品,该计算机程序/指令被处理器执行时实现所述的食堂菜品规划方法的步骤,例如,所述计算机程序/指令实现下述步骤:
步骤S101:获取食堂菜品历史消耗数据和食堂就餐数据并进行数据清洗和异常优化。
步骤S102:对经过所述数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型。
步骤S103:根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果。
从上述描述可知,本申请实施例提供的计算机程序产品,通过对经过数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型,并根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果,由此能够快速、准确预测食堂菜品消耗品量。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种食堂菜品规划方法,其特征在于,所述方法包括:
获取食堂菜品历史消耗数据和食堂就餐数据并进行数据清洗和异常优化;
对经过所述数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型;
根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果。
2.根据权利要求1所述的食堂菜品规划方法,其特征在于,所述进行数据清洗包括:
判断所述食堂菜品历史消耗数据中是否存在设定特殊日期时的异常波动数据;
若存在,则根据设定时间周期内同菜品消耗量平均值对该设定特殊日期时的消耗数据进行修复更新。
3.根据权利要求1所述的食堂菜品规划方法,其特征在于,所述进行数据清洗还包括:
将所述食堂菜品历史消耗数据和食堂就餐数据中三倍于数据集的标准差的数据设定为噪声数据;
对所述噪声数据进行平滑处理,得到经过平滑处理后的食堂菜品历史消耗数据和食堂就餐数据。
4.根据权利要求1所述的食堂菜品规划方法,其特征在于,所述进行异常优化包括:
判断所述食堂菜品历史消耗数据中是否存在数值为零的当日消耗数据;
若存在,则根据设定时间周期内同菜品消耗量平均值对该当日消耗数据进行修复更新。
5.根据权利要求1所述的食堂菜品规划方法,其特征在于,所述根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型,包括:
根据提取到的特征和多个不同预测算法对预设预测模型进行训练;
对经过训练后的预测模型的预测能力进行评估,根据评估结果筛选得预测模型。
6.根据权利要求1所述的食堂菜品规划方法,其特征在于,所述根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果,包括:
对预设权重向量集合的每个权重组合代入食堂菜品测试集进行预测,根据预测结果确定预测评估效果最佳的权重组合作为所述预测模型的组合权重参数;
根据多个经过训练后的预测模型和各自对应的组合权重参数,得到食堂菜品未来就餐日的消耗数量预测结果。
7.一种食堂菜品规划装置,其特征在于,包括:
数据预处理模块,用于获取食堂菜品历史消耗数据和食堂就餐数据并进行数据清洗和异常优化;
模型训练模块,用于对经过所述数据清洗和异常优化后的食堂菜品历史消耗数据和食堂就餐数据进行特征提取,并根据提取到的特征对预设预测模型进行训练,得到多个经过训练后的预测模型;
组合预测模块,用于根据多个所述预测模型和组合权重参数对食堂菜谱测试集数据进行菜品预测,得到食堂菜品未来就餐日的消耗数量预测结果。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至6任一项所述的食堂菜品规划方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6任一项所述的食堂菜品规划方法的步骤。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至6任一项所述的食堂菜品规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686682.0A CN114881370A (zh) | 2022-06-17 | 2022-06-17 | 食堂菜品规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686682.0A CN114881370A (zh) | 2022-06-17 | 2022-06-17 | 食堂菜品规划方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881370A true CN114881370A (zh) | 2022-08-09 |
Family
ID=82682005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210686682.0A Pending CN114881370A (zh) | 2022-06-17 | 2022-06-17 | 食堂菜品规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881370A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994785A (zh) * | 2023-01-09 | 2023-04-21 | 淮阴工学院 | 一种餐饮人流量备料智能预测方法及系统 |
-
2022
- 2022-06-17 CN CN202210686682.0A patent/CN114881370A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994785A (zh) * | 2023-01-09 | 2023-04-21 | 淮阴工学院 | 一种餐饮人流量备料智能预测方法及系统 |
CN115994785B (zh) * | 2023-01-09 | 2023-09-29 | 淮阴工学院 | 一种餐饮人流量备料智能预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844915B (zh) | 一种基于话务预测的呼叫中心的自动排班方法 | |
Trapero et al. | On the identification of sales forecasting models in the presence of promotions | |
Nogales et al. | Electricity price forecasting through transfer function models | |
van der Vorst et al. | Modelling and simulating multi-echelon food systems | |
Song et al. | Combining statistical and judgmental forecasts via a web-based tourism demand forecasting system | |
JP5580879B2 (ja) | 旅行価格最適化(tpo) | |
CN108364085A (zh) | 一种外卖配送时间预测方法和装置 | |
CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
Diaz et al. | Evaluating strategic remanufacturing supply chain decisions | |
Almeder et al. | Synchronisation of scarce resources for a parallel machine lotsizing problem | |
Zhang et al. | A stochastic production planning model under uncertain seasonal demand and market growth | |
Sadeghieh et al. | A genetic algorithm based grey goal programming (G3) approach for parts supplier evaluation and selection | |
CN106663228A (zh) | 用于商业应用系统的规则到约束翻译器 | |
CN111915254A (zh) | 一种适用于汽车售后配件的库存优化控制方法和系统 | |
Meisel et al. | The design of Make-to-Order supply networks under uncertainties using simulation and optimisation | |
Morton et al. | A Bayesian stochastic programming approach to an employee scheduling problem | |
CN114881370A (zh) | 食堂菜品规划方法及装置 | |
Wang et al. | Efficiency and equity tradeoffs in voting machine allocation problems | |
Galasso et al. | Decision support for supply chain planning under uncertainty | |
Li et al. | Discrete event simulation analysis of a reservation-based, one-way car-sharing system | |
Chummun et al. | Factors influencing the quality of decision-making using business intelligence in a metal rolling plant in KwaZulu-Natal | |
Desmet et al. | Safety stock optimisation in two-echelon assembly systems: normal approximation models | |
Liu et al. | A multi-agent-based mould due date setting approach in stochastic production | |
Sepulveda Rojas et al. | Coordination and demand uncertainty in supply chains | |
CN111325280A (zh) | 一种标签的生成方法及系统 |
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 |