CN115115147A - 一种基于人工智能的营养餐运输管理系统及方法 - Google Patents
一种基于人工智能的营养餐运输管理系统及方法 Download PDFInfo
- Publication number
- CN115115147A CN115115147A CN202211044629.7A CN202211044629A CN115115147A CN 115115147 A CN115115147 A CN 115115147A CN 202211044629 A CN202211044629 A CN 202211044629A CN 115115147 A CN115115147 A CN 115115147A
- Authority
- CN
- China
- Prior art keywords
- transportation
- time
- route
- transportation route
- real
- 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
- 235000012054 meals Nutrition 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 29
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 230000035764 nutrition Effects 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 235000013305 food Nutrition 0.000 claims abstract description 64
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 58
- 238000007726 management method Methods 0.000 claims abstract description 23
- 238000000556 factor analysis Methods 0.000 claims abstract description 12
- 230000006978 adaptation Effects 0.000 claims abstract description 8
- 235000015219 food category Nutrition 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 235000014347 soups Nutrition 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 abstract 2
- 230000032258 transport Effects 0.000 description 22
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- G06Q50/40—
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于人工智能的营养餐运输管理系统及方法,包括历史数据库建立模块用于建立餐厅窗口和就餐者之间由送餐机器人构建的相关数据;路线偏差指数分析模块用于分析理想运输路线和实际运输路线的偏差指数;数据库划分模块基于偏差指数对历史数据库进一步的划分;干扰因素分析模型建立模块分析干扰因素并建立分析模型;适配优先级分析模块分析不同干扰因素分析模型对应的偏差指数并建立适配优先级;第一理想运输路线选择模块用于实时获取就餐者的相关数据并进行匹配对应的运输路线;路线完善分析模块,基于第一理想运输路线和第一实际运输路线,返回分析实时偏差指数,并存储到对应数据库中。
Description
技术领域
本发明涉及营养餐运输管理技术领域,具体为一种基于人工智能的营养餐运输管理系统及方法。
背景技术
目前,在很多餐厅和食堂都运用送餐机器人来对就餐者进行送餐等服务,送餐机器人可以提高送餐效率,实现餐厅服务的智能化,以及送餐机器人的应用可以节省人力成本;但是在送餐机器人的运输管理方面,仍然存在很多不足之处,如送餐机器人的路线规划较为单一,送餐机器人在面对干扰因素产生时需要更多的时长去处理解决问题,造成理想运输路线和实际运输路线的差异较大,就餐者对实际用餐时间琢磨不定,管理者对送餐机器人的实际路线也无法确定,不利于对送餐机器人在空间位置的管理,且在运输过程中可能存在机器人在遇见干扰因素分析时长过长的情况,增大了运输风险。
发明内容
本发明的目的在于提供一种基于人工智能的营养餐运输管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于人工智能的营养餐运输管理方法,包括以下步骤:
步骤S1:获取餐厅内的座位分布图,每个座位上设置供有就餐者扫码点餐的信息码,所述信息码与餐厅内各窗口的点单系统以及送餐机器人之间建立通信连接;获取点单系统中历史数据库,所述历史数据包括就餐者点餐的时间、点餐的位置、点餐的内容以及送餐机器人的理想运输路线和实际运输路线;所述理想运输路线是指基于就餐者的点餐时间建立的点餐的位置和餐品对应窗口位置之间的单一路线;所示实际运输路线是指在实际送餐过程中考虑干扰因素分析后的实际路线;
步骤S2:提取历史数据库中同一窗口对应同一座位的理想运输路线和实际运输路线;分析理想运输路线和实际运输路线的偏差指数,并存储建立常规运输数据库和差异运输数据库;所述常规运输数据库用于存储理想运输路线与实际运输路线的偏差指数小于预设偏差阈值时对应的历史数据,所述差异运输数据库用于存储理想运输路线与实际运输路线的偏差指数大于等于预设偏差阈值时对应的历史数据;
步骤S3:基于差异运输数据库,建立干扰因素的分析模型;所述干扰因素包括关联时间、行径路况和餐品类别;
步骤S4:根据所述干扰因素的分析模型,将干扰因素对应存储的实际运输路线按照干扰因素进行对应标注;并计算不同干扰因素对应分析模型的偏差指数,建立偏差指数所对应干扰因素的适配优先级;按照干扰因素进行对应标注后进行偏差指数的分析是为了对不同干扰因素造成路径差异的影响程度进行区分;
步骤S5:实时获取就餐者点餐的相关数据,并根据所述相关数据与适配优先级中的干扰因素进行匹配,选择干扰因素对应已标注的运输路线为该就餐者的第一理想运输路线;
步骤S6:基于实时就餐者的第一理想运输路线,获取第一实际运输路线;返回步骤S2判断第一实际运输路线与第一理想运输路线的实时偏差指数,若实时偏差指数小于预设偏差阈值,则存储常规运输数据库中,若实时偏差指数大于等于预设偏差阈值,则存储差异运输数据库中。对实时分析的偏差指数进行判断,是为了不断完善理想运输路线趋向实际运输路线的精确性,也对数据库进行增容扩充以满足不同情况下的路径选择。
进一步的,所述分析理想运输路线和实际运输路线的偏差指数,包括以下步骤:
获取第i个窗口对应第j个座位的理想运输路线Iij和实际运输路线Pij,以及理想运输路线Iij对应送到第j个座位的运输时长t1ij和实际运输路线Pij对应送到第j个座位的运输时长t2ij;利用公式:
计算第i个窗口对应第j个座位的运输时长偏差指数Tij;其中max[t2ij-t1ij]表示获取的理想运输路线和实际运输路线中运输时长差值的最大值;
获取理想运输路线Iij中路径拐点个数N(Iij)和相邻路径拐点间的直线距离L(Iij),以及理想运输路线Iij对应实际运输路线Pij中的路径拐点个数N(Pij)和相邻路径拐点间的直线距离L(Pij);利用公式:
计算第i个窗口对应第j个座位的路径拐点偏差指数Gij;其中j≤mi,mi表示第i个窗口对应的座位总个数;
则第i个窗口对应第j个座位的偏差指数为Yij=a*Tij+b*Gij,其中a为运输时长偏差指数对应的参考系数,b为路径拐点偏差指数对应的参考系数,a+b=1。
进一步的,所述基于差异运输数据库,建立干扰因素的分析模型,包括以下具体步骤:
基于差异数据库中的历史数据建立第i个窗口第j个座位的关联时间数据对(cij,dij,eij),其中cij表示第i个窗口第j个座位对应就餐者的点餐时间,dij表示第i个窗口第j个座位对应就餐者点餐餐品所需的理想等待时间,eij表示第i个窗口第j个座位送餐机器人开始运输餐品的理想时间;
获取第i个窗口第j个座位的实际送餐时间Eij,计算时间差值|Eij-eij|;
若时间差值大于等于预设时间差值阈值,设该第i个窗口第j个座位对应的关联时间数据对为目标关联时间数据对,获取关联时间数据对(cij,dij,eij)中除目标关联时间数据对以外的关联时间数据对为待分析关联时间数据对,提取待分析关联时间数据对中相似度大于关联时间数据对阈值的个数K;
构成关联时间的分析模型|Eij-eij|/K=|Eij’-eij’|/K’,其中Eij’表示实时监测的第i个窗口第j个座位的实际送餐时间,eij’表示实时监测第i个窗口第j个座位的送餐机器人开始运输餐品的理想时间,K’表示实时监测待分析关联时间数据对中相似度大于关联时间数据对阈值的个数。分析关联时间是因为送餐机器人在运输过程中会考虑相近时刻是否存在同一窗口的点餐情况,因为在现实生活中,如果两个就餐者在相邻很近的时段内点同一窗口的餐品,那么可能会存在商家令送餐机器人同时运输这两份餐的情况,造成的理想运输时间就会和实际的产生差异,同时因为另一份餐品影响原有的理想运输路线从而产生路径差异。
进一步的,所述基于差异运输数据库,建立干扰因素的分析模型,还包括以下具体步骤:
若时间差值小于预设时间差值阈值,获取差异运输数据库的历史数据中实际运输路线中送餐机器人捕捉的实时图像,提取实际运输路线中拐点前后的实时图像作为对比图像集{u1,u2},其中u1表示实际运输路线中出现拐点前的实时图像,u2表示实际运输路线中出现拐点后的实时图像;
比较u1实时图像中的人像密度pu1和u2实时图像中的人像密度pu2,所述人像密度为实时图像中人像对应实时图像中的大小与整体实时图像的比例;计算人像密度差值p0=|pu1-pu2|,并提取实际运输路线中所有满足人像密度差值大于等于预设密度阈值时对应的高密度图像集合,所述高密度图像集合为pu1和pu2中最大值对应的图像集合;
提取高密度图像集合中各图像的人像个数R,设定行径路况分析模型:[Rmin,Rmax],其中Rmin为高密度图像集合中人像个数的最小值,Rmax为高密度图像集合中人像个数的最大值。分析行径路况是为了判断每个送餐机器人的运输路径中产生拐点的原因,是系统原有规划的理想运输路线,还是分析路况环境作出的路径选择,且介于此种情况,提取真实路况作为实时监测的分析模型,数据更加精确和有效。
进一步的,所述基于差异运输数据库,建立干扰因素的分析模型,还包括以下具体步骤:
若实际运输路线中人像密度差值小于预设密度阈值时,提取差异运输数据库的历史数据中实际运输路线对应点餐的内容,建立点餐内容与运输时长的内容关系对(f→g),提取同一运输路线中点餐内容存在类别差异的内容关系对并对其进行分类,记作第一类别内容关系对(f1→g1)和第二类别内容关系对(f2→g2),所述第一类别内容关系对是指点餐内容包含汤水的点餐内容,所述第二类别内容关系对是指点餐内容不包含汤水的点餐内容;利用公式:
计算内容关系对偏差指数h,其中g0表示所有运输路线中第一类别内容关系对和第二类别内容关系对的平均运输时长差值,提取偏差指数h大于等于偏差阈值对应运输路线个数;
若偏差指数h大于等于偏差阈值对应运输路线个数大于等于差异运输数据库中总运输路线个数的50%,则建立餐品类别分析模型{f1,f2};若偏差指数h大于等于偏差阈值对应运输路线个数小于差异运输数据库中总运输路线个数的50%,记录第i个窗口对应第j个座位的实际运输路线。当上述两种情况均不满足时,分析餐品自身对运输的影响,因为在送餐时有汤水的餐品会比没有汤水的餐品运输难度更大,运输起来更加谨慎小心,运输的路线可能也会因餐品的原因进行调整改变。
进一步的,所述提取不同干扰因素对应分析模型的偏差指数,建立偏差指数所对应干扰因素的适配优先级,包括以下具体步骤:
获取满足关联时间分析模型对应运输线路的运输时长、拐点个数和拐点间的直线距离,并基于步骤S2中偏差指数的计算方法分析得到第一偏差指数;
获取满足行径路况分析模型对应运输线路的运输时长、拐点个数和拐点间的直线距离,并基于步骤S2中偏差指数的计算方法分析得到第二偏差指数;
获取满足餐品类别分析模型对应运输线路的运输时长、拐点个数和拐点间的直线距离,并基于步骤S2中偏差指数的计算方法分析得到第三偏差指数;
将第一偏差指数、第二偏差指数和第三偏差指数进行由大到小的排序,则根据偏差指数对应的干扰因素生成干扰因素的适配优先级。偏差指数代表着三种干扰因素影响情况下的实际路径差异,如果造成的偏差较大说明实际运输路径与理想运输路径偏差较大,那么对应的干扰因素就是造成路径差异影响较大的一个,所以在实时监测中有效的考虑影响最大的干扰因素,就会使得理想运输路线趋近于实际运输路线,使得用户对餐品的送达时间了解的更精确,也有利于餐厅各窗口对送餐机器人的运输管理。
进一步的,所述步骤S5包括以下步骤:
获取实时监测的关联时间相关数据、行径路况相关数据和餐品类别相关数据;
所述关联时间相关数据为实时监测的实际送餐时间、送餐机器人开始运输餐品的理想时间和待分析关联时间数据对中相似度大于关联时间数据对阈值的个数;并代入分析关联时间分析模型,判断是否满足|Eij-eij|/K=|Eij’-eij’|/K’;
所述行径路况相关数据为实时监测理想运输路径中的平均人像个数,判断是否属于行径路况分析模型[Rmin,Rmax];
所述餐品类别相关数据为就餐者就餐的餐品类别,判断是否属于餐品类别分析模型{f1,f2};
若实时监测到就餐者的相关数据满足上述任一模型时,输出干扰因素对应已标注的运输路线为该就餐者的第一理想运输路线;
若实时监测到就餐者的相关数据满足上述模型的个数大于等于二时,按照适配优先级输出第一优先级的干扰因素对应已标注的运输路线为该就餐者的第一理想运输路线。
一种基于人工智能的营养餐运输管理系统,包括:
历史数据库建立模块,用于建立餐厅窗口和就餐者之间由送餐机器人构建的相关数据;
路线偏差指数分析模块,用于分析理想运输路线和实际运输路线的偏差指数;
数据库划分模块,用于基于偏差指数对历史数据库进一步的划分为常规运输数据库和差异运输数据库;
干扰因素分析模型建立模块,用于分析差异运输数据库中的干扰因素并建立对应的分析模型;
适配优先级分析模块,用于分析不同干扰因素分析模型对应的偏差指数,并根据偏差指数的大小建立适配优先级;
第一理想运输路线选择模块,用于实时获取就餐者的相关数据并进行匹配对应干扰因素的运输路线;
路线完善分析模块,基于第一理想运输路线和第一实际运输路线,返回分析实时偏差指数,并存储到对应数据库中。
与现有技术相比,本发明所达到的有益效果是:本发明通过获取在餐厅内的位置与窗口通过送餐机器人建立起的数据联系,分析理想和实际运输路径的差异,并根据差异进一步建立分类数据库以实现数据区别的存储,同时分析不同干扰因素造成路径差异的影响程度,在实时监测过程中获取相关干扰因素并提取对应的运输路线以不断完善实时输出的理想运输路线,本发明通过分析使得送餐机器人的理想运输路线不断趋近于实际运输路线,使得用户对餐品的送达时间了解的更精确,也有利于餐厅各窗口对送餐机器人的运输管理,同时送餐机器人运输路线的规划降低了人员聚集造成污染的风险,净化了空间环境避免交叉感染。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于人工智能的营养餐运输管理系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案:一种基于人工智能的营养餐运输管理方法,包括以下步骤:
步骤S1:获取餐厅内的座位分布图,每个座位上设置供有就餐者扫码点餐的信息码,所述信息码与餐厅内各窗口的点单系统以及送餐机器人之间建立通信连接;获取点单系统中历史数据库,所述历史数据包括就餐者点餐的时间、点餐的位置、点餐的内容以及送餐机器人的理想运输路线和实际运输路线;所述理想运输路线是指基于就餐者的点餐时间建立的点餐的位置和餐品对应窗口位置之间的单一路线;所示实际运输路线是指在实际送餐过程中考虑干扰因素分析后的实际路线;所谓单一运输路线不考虑在运输过程中的影响因素造成的路线修改,只考虑点单的先后时间顺序,构成从餐厅窗口到点餐位置的运输路线;且每个窗口均设立一个送餐机器人,送餐机器人设置完成后只对设定的窗口进行送餐;
步骤S2:提取历史数据库中同一窗口对应同一座位的理想运输路线和实际运输路线;分析理想运输路线和实际运输路线的偏差指数,并存储建立常规运输数据库和差异运输数据库;所述常规运输数据库用于存储理想运输路线与实际运输路线的偏差指数小于预设偏差阈值时对应的历史数据,所述差异运输数据库用于存储理想运输路线与实际运输路线的偏差指数大于等于预设偏差阈值时对应的历史数据;
步骤S3:基于差异运输数据库,建立干扰因素的分析模型;所述干扰因素包括关联时间、行径路况和餐品类别;
步骤S4:根据所述干扰因素的分析模型,将干扰因素对应存储的实际运输路线按照干扰因素进行对应标注;并计算不同干扰因素对应分析模型的偏差指数,建立偏差指数所对应干扰因素的适配优先级;按照干扰因素进行对应标注的意思就是对分析模型记录的满足该模型的实际运输路线进行标记,如在分析第1个窗口对应的第1个座位时,满足分析的关联时间分析模型,则第1个窗口对应的第1个座位的实际运输路线就标注为满足关联时间分析模型的运输路线;按照干扰因素进行对应标注后进行偏差指数的分析是为了对不同干扰因素造成路径差异的影响程度进行区分;
步骤S5:实时获取就餐者点餐的相关数据,并根据所述相关数据与适配优先级中的干扰因素进行匹配,选择干扰因素对应已标注的运输路线为该就餐者的第一理想运输路线;所述相关数据与上述获取的历史数据类型相同;
步骤S6:基于实时就餐者的第一理想运输路线,获取第一实际运输路线;返回步骤S2判断第一实际运输路线与第一理想运输路线的实时偏差指数,若实时偏差指数小于预设偏差阈值,则存储常规运输数据库中,若实时偏差指数大于等于预设偏差阈值,则存储差异运输数据库中。对实时分析的偏差指数进行判断,是为了不断完善理想运输路线趋向实际运输路线的精确性,也对数据库进行增容扩充以满足不同情况下的路径选择。
所述分析理想运输路线和实际运输路线的偏差指数,包括以下步骤:
获取第i个窗口对应第j个座位的理想运输路线Iij和实际运输路线Pij,以及理想运输路线Iij对应送到第j个座位的运输时长t1ij和实际运输路线Pij对应送到第j个座位的运输时长t2ij;利用公式:
计算第i个窗口对应第j个座位的运输时长偏差指数Tij;其中max[t2ij-t1ij]表示获取的理想运输路线和实际运输路线中运输时长差值的最大值;
获取理想运输路线Iij中路径拐点个数N(Iij)和相邻路径拐点间的直线距离L(Iij),以及理想运输路线Iij对应实际运输路线Pij中的路径拐点个数N(Pij)和相邻路径拐点间的直线距离L(Pij);所述路径拐点为由该拐点连接的两条运输路径的夹角大于等于九十度;利用公式:
计算第i个窗口对应第j个座位的路径拐点偏差指数Gij;其中j≤mi,mi表示第i个窗口对应的座位总个数;所述第i个窗口对应第j个座位是指在历史数据库中记录的点餐座位与窗口之间的路程数据,不同窗口对应的座位可以是相同的,不同座位对应的窗口也可以是相同的;
则第i个窗口对应第j个座位的偏差指数为Yij=a*Tij+b*Gij,其中a为运输时长偏差指数对应的参考系数,b为路径拐点偏差指数对应的参考系数,a+b=1。
所述基于差异运输数据库,建立干扰因素的分析模型,包括以下具体步骤:
基于差异数据库中的历史数据建立第i个窗口第j个座位的关联时间数据对(cij,dij,eij),其中cij表示第i个窗口第j个座位对应就餐者的点餐时间,这个点餐时间实际上就是指就餐者扫描餐桌上的信息码,如二维码,进行下单时通过通信传输到餐厅窗口的时间;dij表示第i个窗口第j个座位对应就餐者点餐餐品所需的理想等待时间,eij表示第i个窗口第j个座位送餐机器人开始运输餐品的理想时间;所述理想时间均指在不受其他点餐影响下单一点餐的预估准备时间和预估运输时间;
获取第i个窗口第j个座位的实际送餐时间Eij,计算时间差值|Eij-eij|;
若时间差值大于等于预设时间差值阈值,设该第i个窗口第j个座位对应的关联时间数据对为目标关联时间数据对,获取关联时间数据对(cij,dij,eij)中除目标关联时间数据对以外的关联时间数据对为待分析关联时间数据对,提取待分析关联时间数据对中相似度大于关联时间数据对阈值的个数K;
构成关联时间的分析模型|Eij-eij|/K=|Eij’-eij’|/K’,其中Eij’表示实时监测的第i个窗口第j个座位的实际送餐时间,eij’表示实时监测第i个窗口第j个座位的送餐机器人开始运输餐品的理想时间,K’表示实时监测待分析关联时间数据对中相似度大于关联时间数据对阈值的个数。分析关联时间是因为送餐机器人在运输过程中会考虑相近时刻是否存在同一窗口的点餐情况,因为在现实生活中,如果两个就餐者在相邻很近的时段内点同一窗口的餐品,那么可能会存在商家令送餐机器人同时运输这两份餐的情况,造成的理想运输时间就会和实际的产生差异,同时因为另一份餐品影响原有的理想运输路线从而产生路径差异。
所述基于差异运输数据库,建立干扰因素的分析模型,还包括以下具体步骤:
若时间差值小于预设时间差值阈值,获取差异运输数据库的历史数据中实际运输路线中送餐机器人捕捉的实时图像,提取实际运输路线中拐点前后的实时图像作为对比图像集{u1,u2},其中u1表示实际运输路线中出现拐点前的实时图像,u2表示实际运输路线中出现拐点后的实时图像;
比较u1实时图像中的人像密度pu1和u2实时图像中的人像密度pu2,所述人像密度为实时图像中人像对应实时图像中的大小与整体实时图像的比例;计算人像密度差值p0=|pu1-pu2|,并提取实际运输路线中所有满足人像密度差值大于等于预设密度阈值时对应的高密度图像集合,所述高密度图像集合为pu1和pu2中最大值对应的图像集合;
提取高密度图像集合中各图像的人像个数R,设定行径路况分析模型:[Rmin,Rmax],其中Rmin为高密度图像集合中人像个数的最小值,Rmax为高密度图像集合中人像个数的最大值。分析行径路况是为了判断每个送餐机器人的运输路径中产生拐点的原因,是系统原有规划的理想运输路线,还是分析路况环境作出的路径选择,且介于此种情况,提取真实路况作为实时监测的分析模型,数据更加精确和有效。
所述基于差异运输数据库,建立干扰因素的分析模型,还包括以下具体步骤:
若实际运输路线中人像密度差值小于预设密度阈值时,提取差异运输数据库的历史数据中实际运输路线对应点餐的内容,建立点餐内容与运输时长的内容关系对(f→g),提取同一运输路线中点餐内容存在类别差异的内容关系对并对其进行分类,记作第一类别内容关系对(f1→g1)和第二类别内容关系对(f2→g2),所述第一类别内容关系对是指点餐内容包含汤水的点餐内容,所述第二类别内容关系对是指点餐内容不包含汤水的点餐内容;利用公式:
计算内容关系对偏差指数h,其中g0表示所有运输路线中第一类别内容关系对和第二类别内容关系对的平均运输时长差值,提取偏差指数h大于等于偏差阈值对应运输路线个数;
若偏差指数h大于等于偏差阈值对应运输路线个数大于等于差异运输数据库中总运输路线个数的50%,则建立餐品类别分析模型{f1,f2};若偏差指数h大于等于偏差阈值对应运输路线个数小于差异运输数据库中总运输路线个数的50%,记录第i个窗口对应第j个座位的实际运输路线。当上述两种情况均不满足时,分析餐品自身对运输的影响,因为在送餐时有汤水的餐品会比没有汤水的餐品运输难度更大,运输起来更加谨慎小心,运输的路线可能也会因餐品的原因进行调整改变。
如实施例:存在两条运输路线:A、B;总运输线线路个数为2;
则对应路线A的第一类别内容关系对为(盖浇饭→56s),第二类别内容关系对为(鸡蛋汤→75s);
对应路线B的第一类别内容关系对为(蛋炒饭→47s),第二类别内容关系对为(汤面→88s);
hA=(75-56)/{(1/2)[(75-56)+(88-47)]}=0.63;
hB=(88-47)/{(1/2)[(75-56)+(88-47)]}=1.36;
设置偏差阈值为0.57,则偏差指数h大于等于偏差阈值对应运输路线个数为差异运输数据库中总运输路线个数的100%,大于50%;则建立餐品类别分析模型{f1,f2},f1={盖浇饭,蛋炒饭},f2={鸡蛋汤,汤面}。
所述提取不同干扰因素对应分析模型的偏差指数,建立偏差指数所对应干扰因素的适配优先级,包括以下具体步骤:
获取满足关联时间分析模型对应运输线路的运输时长、拐点个数和拐点间的直线距离,并基于步骤S2中偏差指数的计算方法分析得到第一偏差指数;
获取满足行径路况分析模型对应运输线路的运输时长、拐点个数和拐点间的直线距离,并基于步骤S2中偏差指数的计算方法分析得到第二偏差指数;
获取满足餐品类别分析模型对应运输线路的运输时长、拐点个数和拐点间的直线距离,并基于步骤S2中偏差指数的计算方法分析得到第三偏差指数;
将第一偏差指数、第二偏差指数和第三偏差指数进行由大到小的排序,则根据偏差指数对应的干扰因素生成干扰因素的适配优先级。偏差指数代表着三种干扰因素影响情况下的实际路径差异,如果造成的偏差较大说明实际运输路径与理想运输路径偏差较大,那么对应的干扰因素就是造成路径差异影响较大的一个,所以在实时监测中有效的考虑影响最大的干扰因素,就会使得理想运输路线趋近于实际运输路线,使得用户对餐品的送达时间了解的更精确,也有利于餐厅各窗口对送餐机器人的运输管理。
所述步骤S5包括以下步骤:
获取实时监测的关联时间相关数据、行径路况相关数据和餐品类别相关数据;
所述关联时间相关数据为实时监测的实际送餐时间、送餐机器人开始运输餐品的理想时间和待分析关联时间数据对中相似度大于关联时间数据对阈值的个数;并代入分析关联时间分析模型,判断是否满足|Eij-eij|/K=|Eij’-eij’|/K’;
所述行径路况相关数据为实时监测理想运输路径中的平均人像个数,判断是否属于行径路况分析模型[Rmin,Rmax];如行径路况分析模型[Rmin=7,Rmax=15],而实时监测理想运输路径中的平均人像个数为9人,则满足行径路况分析模型;
所述餐品类别相关数据为就餐者就餐的餐品类别,判断是否属于餐品类别分析模型{f1,f2};
若实时监测到就餐者的相关数据满足上述任一模型时,输出干扰因素对应已标注的运输路线为该就餐者的第一理想运输路线;
若实时监测到就餐者的相关数据满足上述模型的个数大于等于二时,按照适配优先级输出第一优先级的干扰因素对应已标注的运输路线为该就餐者的第一理想运输路线。
一种基于人工智能的营养餐运输管理系统,包括:
历史数据库建立模块,用于建立餐厅窗口和就餐者之间由送餐机器人构建的相关数据;
路线偏差指数分析模块,用于分析理想运输路线和实际运输路线的偏差指数;
数据库划分模块,用于基于偏差指数对历史数据库进一步的划分为常规运输数据库和差异运输数据库;
干扰因素分析模型建立模块,用于分析差异运输数据库中的干扰因素并建立对应的分析模型;
适配优先级分析模块,用于分析不同干扰因素分析模型对应的偏差指数,并根据偏差指数的大小建立适配优先级;
第一理想运输路线选择模块,用于实时获取就餐者的相关数据并进行匹配对应干扰因素的运输路线;
路线完善分析模块,基于第一理想运输路线和第一实际运输路线,返回分析实时偏差指数,并存储到对应数据库中。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能的营养餐运输管理方法,其特征在于,包括以下步骤:
步骤S1:获取餐厅内的座位分布图,每个座位上设置供有就餐者扫码点餐的信息码,所述信息码与餐厅内各窗口的点单系统以及送餐机器人之间建立通信连接;获取点单系统中历史数据库,所述历史数据包括就餐者点餐的时间、点餐的位置、点餐的内容以及送餐机器人的理想运输路线和实际运输路线;所述理想运输路线是指基于就餐者的点餐时间建立的点餐的位置和餐品对应窗口位置之间的单一路线;所示实际运输路线是指在实际送餐过程中考虑干扰因素分析后的实际路线;
步骤S2:提取历史数据库中同一窗口对应同一座位的理想运输路线和实际运输路线;分析理想运输路线和实际运输路线的偏差指数,并存储建立常规运输数据库和差异运输数据库;所述常规运输数据库用于存储理想运输路线与实际运输路线的偏差指数小于预设偏差阈值时对应的历史数据,所述差异运输数据库用于存储理想运输路线与实际运输路线的偏差指数大于等于预设偏差阈值时对应的历史数据;
步骤S3:基于差异运输数据库,建立干扰因素的分析模型;所述干扰因素包括关联时间、行径路况和餐品类别;
步骤S4:根据所述干扰因素的分析模型,将干扰因素对应存储的实际运输路线按照干扰因素进行对应标注;并计算不同干扰因素对应分析模型的偏差指数,建立偏差指数所对应干扰因素的适配优先级;
步骤S5:实时获取就餐者点餐的相关数据,并根据所述相关数据与适配优先级中的干扰因素进行匹配,选择干扰因素对应已标注的运输路线为该就餐者的第一理想运输路线;
步骤S6:基于实时就餐者的第一理想运输路线,获取第一实际运输路线;返回步骤S2判断第一实际运输路线与第一理想运输路线的实时偏差指数,若实时偏差指数小于预设偏差阈值,则存储常规运输数据库中,若实时偏差指数大于等于预设偏差阈值,则存储差异运输数据库中。
2.根据权利要求1所述的一种基于人工智能的营养餐运输管理方法,其特征在于:所述分析理想运输路线和实际运输路线的偏差指数,包括以下步骤:
获取第i个窗口对应第j个座位的理想运输路线Iij和实际运输路线Pij,以及理想运输路线Iij对应送到第j个座位的运输时长t1ij和实际运输路线Pij对应送到第j个座位的运输时长t2ij;利用公式:
计算第i个窗口对应第j个座位的运输时长偏差指数Tij;其中max[t2ij-t1ij]表示获取的理想运输路线和实际运输路线中运输时长差值的最大值;
获取理想运输路线Iij中路径拐点个数N(Iij)和相邻路径拐点间的直线距离L(Iij),以及理想运输路线Iij对应实际运输路线Pij中的路径拐点个数N(Pij)和相邻路径拐点间的直线距离L(Pij);利用公式:
计算第i个窗口对应第j个座位的路径拐点偏差指数Gij;其中j≤mi,mi表示第i个窗口对应的座位总个数;
则第i个窗口对应第j个座位的偏差指数为Yij=a*Tij+b*Gij,其中a为运输时长偏差指数对应的参考系数,b为路径拐点偏差指数对应的参考系数,a+b=1。
3.根据权利要求2所述的一种基于人工智能的营养餐运输管理方法,其特征在于:所述基于差异运输数据库,建立干扰因素的分析模型,包括以下具体步骤:
基于差异数据库中的历史数据建立第i个窗口第j个座位的关联时间数据对(cij,dij,eij),其中cij表示第i个窗口第j个座位对应就餐者的点餐时间,dij表示第i个窗口第j个座位对应就餐者点餐餐品所需的理想等待时间,eij表示第i个窗口第j个座位送餐机器人开始运输餐品的理想时间;
获取第i个窗口第j个座位的实际送餐时间Eij,计算时间差值|Eij-eij|;
若时间差值大于等于预设时间差值阈值,设该第i个窗口第j个座位对应的关联时间数据对为目标关联时间数据对,获取关联时间数据对(cij,dij,eij)中除目标关联时间数据对以外的关联时间数据对为待分析关联时间数据对,提取待分析关联时间数据对中相似度大于关联时间数据对阈值的个数K;
构成关联时间的分析模型|Eij-eij|/K=|Eij’-eij’|/K’,其中Eij’表示实时监测的第i个窗口第j个座位的实际送餐时间,eij’表示实时监测第i个窗口第j个座位的送餐机器人开始运输餐品的理想时间,K’表示实时监测待分析关联时间数据对中相似度大于关联时间数据对阈值的个数。
4.根据权利要求3所述的一种基于人工智能的营养餐运输管理方法,其特征在于:所述基于差异运输数据库,建立干扰因素的分析模型,还包括以下具体步骤:
若时间差值小于预设时间差值阈值,获取差异运输数据库的历史数据中实际运输路线中送餐机器人捕捉的实时图像,提取实际运输路线中拐点前后的实时图像作为对比图像集{u1,u2},其中u1表示实际运输路线中出现拐点前的实时图像,u2表示实际运输路线中出现拐点后的实时图像;
比较u1实时图像中的人像密度pu1和u2实时图像中的人像密度pu2,所述人像密度为实时图像中人像对应实时图像中的大小与整体实时图像的比例;计算人像密度差值p0=|pu1-pu2|,并提取实际运输路线中所有满足人像密度差值大于等于预设密度阈值时对应的高密度图像集合,所述高密度图像集合为pu1和pu2中最大值对应的图像集合;
提取高密度图像集合中各图像的人像个数R,设定行径路况分析模型:[Rmin,Rmax],其中Rmin为高密度图像集合中人像个数的最小值,Rmax为高密度图像集合中人像个数的最大值。
5.根据权利要求4所述的一种基于人工智能的营养餐运输管理方法,其特征在于:所述基于差异运输数据库,建立干扰因素的分析模型,还包括以下具体步骤:
若实际运输路线中人像密度差值小于预设密度阈值时,提取差异运输数据库的历史数据中实际运输路线对应点餐的内容,建立点餐内容与运输时长的内容关系对(f→g),提取同一运输路线中点餐内容存在类别差异的内容关系对并对其进行分类,记作第一类别内容关系对(f1→g1)和第二类别内容关系对(f2→g2),所述第一类别内容关系对是指点餐内容包含汤水的点餐内容,所述第二类别内容关系对是指点餐内容不包含汤水的点餐内容;利用公式:
计算内容关系对偏差指数h,其中g0表示所有运输路线中第一类别内容关系对和第二类别内容关系对的平均运输时长差值,提取偏差指数h大于等于偏差阈值对应运输路线个数;
若偏差指数h大于等于偏差阈值对应运输路线个数大于等于差异运输数据库中总运输路线个数的50%,则建立餐品类别分析模型{f1,f2};若偏差指数h大于等于偏差阈值对应运输路线个数小于差异运输数据库中总运输路线个数的50%,记录第i个窗口对应第j个座位的实际运输路线。
6.根据权利要求5所述的一种基于人工智能的营养餐运输管理方法,其特征在于:所述提取不同干扰因素对应分析模型的偏差指数,建立偏差指数所对应干扰因素的适配优先级,包括以下具体步骤:
获取满足关联时间分析模型对应运输线路的运输时长、拐点个数和拐点间的直线距离,并基于步骤S2中偏差指数的计算方法分析得到第一偏差指数;
获取满足行径路况分析模型对应运输线路的运输时长、拐点个数和拐点间的直线距离,并基于步骤S2中偏差指数的计算方法分析得到第二偏差指数;
获取满足餐品类别分析模型对应运输线路的运输时长、拐点个数和拐点间的直线距离,并基于步骤S2中偏差指数的计算方法分析得到第三偏差指数;
将第一偏差指数、第二偏差指数和第三偏差指数进行由大到小的排序,则根据偏差指数对应的干扰因素生成干扰因素的适配优先级。
7.根据权利要求6所述的一种基于人工智能的营养餐运输管理方法,其特征在于:所述步骤S5包括以下步骤:
获取实时监测的关联时间相关数据、行径路况相关数据和餐品类别相关数据;
所述关联时间相关数据为实时监测的实际送餐时间、送餐机器人开始运输餐品的理想时间和待分析关联时间数据对中相似度大于关联时间数据对阈值的个数;并代入分析关联时间分析模型,判断是否满足|Eij-eij|/K=|Eij’-eij’|/K’;
所述行径路况相关数据为实时监测理想运输路径中的平均人像个数,判断是否属于行径路况分析模型[Rmin,Rmax];
所述餐品类别相关数据为就餐者就餐的餐品类别,判断是否属于餐品类别分析模型{f1,f2};
若实时监测到就餐者的相关数据满足上述任一模型时,输出干扰因素对应已标注的运输路线为该就餐者的第一理想运输路线;
若实时监测到就餐者的相关数据满足上述模型的个数大于等于二时,按照适配优先级输出第一优先级的干扰因素对应已标注的运输路线为该就餐者的第一理想运输路线。
8.应用权利要求1-7所述的一种基于人工智能的营养餐运输管理方法的一种基于人工智能的营养餐运输管理系统,其特征在于,包括:
历史数据库建立模块,用于建立餐厅窗口和就餐者之间由送餐机器人构建的相关数据;
路线偏差指数分析模块,用于分析理想运输路线和实际运输路线的偏差指数;
数据库划分模块,用于基于偏差指数对历史数据库进一步的划分为常规运输数据库和差异运输数据库;
干扰因素分析模型建立模块,用于分析差异运输数据库中的干扰因素并建立对应的分析模型;
适配优先级分析模块,用于分析不同干扰因素分析模型对应的偏差指数,并根据偏差指数的大小建立适配优先级;
第一理想运输路线选择模块,用于实时获取就餐者的相关数据并进行匹配对应干扰因素的运输路线;
路线完善分析模块,基于第一理想运输路线和第一实际运输路线,返回分析实时偏差指数,并存储到对应数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044629.7A CN115115147B (zh) | 2022-08-30 | 2022-08-30 | 一种基于人工智能的营养餐运输管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044629.7A CN115115147B (zh) | 2022-08-30 | 2022-08-30 | 一种基于人工智能的营养餐运输管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115147A true CN115115147A (zh) | 2022-09-27 |
CN115115147B CN115115147B (zh) | 2022-12-02 |
Family
ID=83335554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211044629.7A Active CN115115147B (zh) | 2022-08-30 | 2022-08-30 | 一种基于人工智能的营养餐运输管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115147B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307584A (zh) * | 2023-03-20 | 2023-06-23 | 海口明邦实业有限责任公司 | 一种基于大数据的医疗洗涤供热监管系统及方法 |
CN116993376A (zh) * | 2023-08-14 | 2023-11-03 | 深圳数拓科技有限公司 | 一种无人餐厅的数据智能交互方法及系统 |
Citations (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105180924A (zh) * | 2015-09-07 | 2015-12-23 | 广东欧珀移动通信有限公司 | 一种基于餐厅排队的导航方法及移动终端 |
US20160148287A1 (en) * | 2014-11-21 | 2016-05-26 | Peach Labs, Inc. | Lunch order communication |
CN105835887A (zh) * | 2010-05-19 | 2016-08-10 | 通用汽车有限责任公司 | 用于多模式车辆的基于路线的推进模式控制 |
CN106115213A (zh) * | 2016-08-26 | 2016-11-16 | 顾总照 | 一种餐厅自动化送餐系统 |
CN107038504A (zh) * | 2017-04-19 | 2017-08-11 | 上海卓易电子科技有限公司 | 一种路线优化方法以及系统 |
CN107053196A (zh) * | 2017-03-09 | 2017-08-18 | 黑龙江科技大学 | 一种外卖配送机器人 |
CN107305551A (zh) * | 2016-04-18 | 2017-10-31 | 百度在线网络技术(北京)有限公司 | 推送信息的方法和装置 |
CN107491075A (zh) * | 2017-09-19 | 2017-12-19 | 歌尔股份有限公司 | 送餐系统及送餐控制方法 |
US20170360359A1 (en) * | 1999-10-29 | 2017-12-21 | Brian M. Dugan | Methods and apparatus for monitoring and encouraging health and fitness |
CN107734539A (zh) * | 2017-09-15 | 2018-02-23 | 中国联合网络通信集团有限公司 | 一种网络的选择方法、装置及接入网设备 |
US20180169331A1 (en) * | 2016-12-15 | 2018-06-21 | Verily Life Sciences Llc | Auto-calibration of physiological response estimates for closed-loop insulin delivery using patient-selected standardized meals |
US20180169332A1 (en) * | 2016-12-21 | 2018-06-21 | Medtronic Minimed, Inc. | Infusion systems and methods for patient activity adjustments |
CN108542227A (zh) * | 2018-04-28 | 2018-09-18 | 四川化工职业技术学院 | 一种面向小微餐饮企业的智能店内自动送餐和收餐方法 |
CN108710988A (zh) * | 2018-04-13 | 2018-10-26 | 拉扎斯网络科技(上海)有限公司 | 一种订单派送方法、装置及存储介质 |
CN109240306A (zh) * | 2018-10-26 | 2019-01-18 | 深圳市三宝创新智能有限公司 | 一种机器人外卖送餐系统及方法 |
CN109345161A (zh) * | 2018-08-29 | 2019-02-15 | 广西大学 | 一种面向价值流的配送派单方法 |
CN109472417A (zh) * | 2018-11-16 | 2019-03-15 | 东北农业大学 | 一种外卖集中地区共同配送模式下路线优化算法 |
CN109493253A (zh) * | 2018-09-28 | 2019-03-19 | 浙江口碑网络技术有限公司 | 一种点餐方法及装置,计算机存储介质和电子设备 |
CN109615122A (zh) * | 2018-11-27 | 2019-04-12 | 拉扎斯网络科技(上海)有限公司 | 配送范围的生成方法、装置、电子设备和存储介质 |
CN109636013A (zh) * | 2018-11-27 | 2019-04-16 | 拉扎斯网络科技(上海)有限公司 | 配送范围的生成方法、装置、电子设备和存储介质 |
CN109840835A (zh) * | 2019-02-26 | 2019-06-04 | 苏州星点点信息科技有限公司 | 团餐菜品的配送方法、装置及计算机设备 |
CN109886839A (zh) * | 2019-01-11 | 2019-06-14 | 杭州火小二科技有限公司 | 一种智能送餐系统和方法 |
CN110053016A (zh) * | 2019-05-31 | 2019-07-26 | 南京涵铭置智能科技有限公司 | 一种酒店用送餐机器人及工作方法 |
CN110210920A (zh) * | 2018-04-26 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 用餐信息的推荐方法和装置 |
CN110555655A (zh) * | 2019-09-04 | 2019-12-10 | 珠海优特智厨科技有限公司 | 送餐设备的控制方法、装置、设备及计算机可读存储介质 |
CN110598951A (zh) * | 2019-09-23 | 2019-12-20 | 南京邮电大学 | 一种配送无人机移动充电方法 |
CN110657817A (zh) * | 2019-09-29 | 2020-01-07 | 武汉元光科技有限公司 | 行程路线的推荐方法及装置 |
CN110710852A (zh) * | 2019-10-30 | 2020-01-21 | 广州铁路职业技术学院(广州铁路机械学校) | 基于送餐机器人的送餐方法、系统、介质及智能设备 |
CN110712942A (zh) * | 2018-07-13 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 门店内的输送控制方法、装置及系统 |
CN110738441A (zh) * | 2019-09-03 | 2020-01-31 | 熊维淑 | 一种基于互联网的商品预定配送方法及系统 |
CN110910127A (zh) * | 2018-09-18 | 2020-03-24 | 北京意锐新创科技有限公司 | 应用于餐厅的基于移动支付设备的收银方法和装置 |
CN111090822A (zh) * | 2019-12-18 | 2020-05-01 | 浙江口碑网络技术有限公司 | 业务对象的推送方法及装置 |
CN111192119A (zh) * | 2020-01-22 | 2020-05-22 | 麦维文 | 一种自动配餐及配送系统和方法 |
US20200397194A1 (en) * | 2018-10-18 | 2020-12-24 | Zume Inc. | Configurable meal kit preparation and storage vehicle |
CN112506191A (zh) * | 2020-11-20 | 2021-03-16 | 刘娴 | 一种餐品自动配送方法、系统、机器人及存储介质 |
CN112527902A (zh) * | 2020-12-08 | 2021-03-19 | 李桂梅 | 一种基于区块链的餐饮人员身体数据共享系统 |
CN112749866A (zh) * | 2019-10-31 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 实体餐饮店内的运输车调度方法、装置及计算机系统 |
CN113110414A (zh) * | 2021-03-11 | 2021-07-13 | 深圳优地科技有限公司 | 机器人送餐方法、送餐机器人及计算机可读存储介质 |
CN113688719A (zh) * | 2021-08-23 | 2021-11-23 | 朱福全 | 一种智能餐厨管理系统、其数据处理方法及介质 |
CN113821731A (zh) * | 2021-11-23 | 2021-12-21 | 湖北亿咖通科技有限公司 | 信息推送方法、设备和介质 |
CN113848885A (zh) * | 2021-09-07 | 2021-12-28 | 深圳优地科技有限公司 | 机器人送单方法、装置、设备及计算机可读存储介质 |
CN114254784A (zh) * | 2021-12-17 | 2022-03-29 | 阿里巴巴新加坡控股有限公司 | 信息推送方法、信息推送装置和存储介质 |
CN114372834A (zh) * | 2022-03-21 | 2022-04-19 | 广州宜推网络科技有限公司 | 一种基于大数据的电商平台管理系统及方法 |
-
2022
- 2022-08-30 CN CN202211044629.7A patent/CN115115147B/zh active Active
Patent Citations (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180271433A1 (en) * | 1999-10-29 | 2018-09-27 | Brian M. Dugan | Methods and apparatus for monitoring and encouraging health and fitness |
US20170360359A1 (en) * | 1999-10-29 | 2017-12-21 | Brian M. Dugan | Methods and apparatus for monitoring and encouraging health and fitness |
CN105835887A (zh) * | 2010-05-19 | 2016-08-10 | 通用汽车有限责任公司 | 用于多模式车辆的基于路线的推进模式控制 |
US20160148287A1 (en) * | 2014-11-21 | 2016-05-26 | Peach Labs, Inc. | Lunch order communication |
CN105180924A (zh) * | 2015-09-07 | 2015-12-23 | 广东欧珀移动通信有限公司 | 一种基于餐厅排队的导航方法及移动终端 |
CN107305551A (zh) * | 2016-04-18 | 2017-10-31 | 百度在线网络技术(北京)有限公司 | 推送信息的方法和装置 |
CN106115213A (zh) * | 2016-08-26 | 2016-11-16 | 顾总照 | 一种餐厅自动化送餐系统 |
US20180169331A1 (en) * | 2016-12-15 | 2018-06-21 | Verily Life Sciences Llc | Auto-calibration of physiological response estimates for closed-loop insulin delivery using patient-selected standardized meals |
US20180169332A1 (en) * | 2016-12-21 | 2018-06-21 | Medtronic Minimed, Inc. | Infusion systems and methods for patient activity adjustments |
CN107053196A (zh) * | 2017-03-09 | 2017-08-18 | 黑龙江科技大学 | 一种外卖配送机器人 |
CN107038504A (zh) * | 2017-04-19 | 2017-08-11 | 上海卓易电子科技有限公司 | 一种路线优化方法以及系统 |
CN107734539A (zh) * | 2017-09-15 | 2018-02-23 | 中国联合网络通信集团有限公司 | 一种网络的选择方法、装置及接入网设备 |
CN107491075A (zh) * | 2017-09-19 | 2017-12-19 | 歌尔股份有限公司 | 送餐系统及送餐控制方法 |
CN108710988A (zh) * | 2018-04-13 | 2018-10-26 | 拉扎斯网络科技(上海)有限公司 | 一种订单派送方法、装置及存储介质 |
CN110210920A (zh) * | 2018-04-26 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 用餐信息的推荐方法和装置 |
CN108542227A (zh) * | 2018-04-28 | 2018-09-18 | 四川化工职业技术学院 | 一种面向小微餐饮企业的智能店内自动送餐和收餐方法 |
CN110712942A (zh) * | 2018-07-13 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 门店内的输送控制方法、装置及系统 |
CN109345161A (zh) * | 2018-08-29 | 2019-02-15 | 广西大学 | 一种面向价值流的配送派单方法 |
CN110910127A (zh) * | 2018-09-18 | 2020-03-24 | 北京意锐新创科技有限公司 | 应用于餐厅的基于移动支付设备的收银方法和装置 |
CN109493253A (zh) * | 2018-09-28 | 2019-03-19 | 浙江口碑网络技术有限公司 | 一种点餐方法及装置,计算机存储介质和电子设备 |
US20200397194A1 (en) * | 2018-10-18 | 2020-12-24 | Zume Inc. | Configurable meal kit preparation and storage vehicle |
CN109240306A (zh) * | 2018-10-26 | 2019-01-18 | 深圳市三宝创新智能有限公司 | 一种机器人外卖送餐系统及方法 |
CN109472417A (zh) * | 2018-11-16 | 2019-03-15 | 东北农业大学 | 一种外卖集中地区共同配送模式下路线优化算法 |
CN109615122A (zh) * | 2018-11-27 | 2019-04-12 | 拉扎斯网络科技(上海)有限公司 | 配送范围的生成方法、装置、电子设备和存储介质 |
CN109636013A (zh) * | 2018-11-27 | 2019-04-16 | 拉扎斯网络科技(上海)有限公司 | 配送范围的生成方法、装置、电子设备和存储介质 |
CN109886839A (zh) * | 2019-01-11 | 2019-06-14 | 杭州火小二科技有限公司 | 一种智能送餐系统和方法 |
CN109840835A (zh) * | 2019-02-26 | 2019-06-04 | 苏州星点点信息科技有限公司 | 团餐菜品的配送方法、装置及计算机设备 |
CN110053016A (zh) * | 2019-05-31 | 2019-07-26 | 南京涵铭置智能科技有限公司 | 一种酒店用送餐机器人及工作方法 |
CN110738441A (zh) * | 2019-09-03 | 2020-01-31 | 熊维淑 | 一种基于互联网的商品预定配送方法及系统 |
CN110555655A (zh) * | 2019-09-04 | 2019-12-10 | 珠海优特智厨科技有限公司 | 送餐设备的控制方法、装置、设备及计算机可读存储介质 |
CN110598951A (zh) * | 2019-09-23 | 2019-12-20 | 南京邮电大学 | 一种配送无人机移动充电方法 |
CN110657817A (zh) * | 2019-09-29 | 2020-01-07 | 武汉元光科技有限公司 | 行程路线的推荐方法及装置 |
CN110710852A (zh) * | 2019-10-30 | 2020-01-21 | 广州铁路职业技术学院(广州铁路机械学校) | 基于送餐机器人的送餐方法、系统、介质及智能设备 |
CN112749866A (zh) * | 2019-10-31 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 实体餐饮店内的运输车调度方法、装置及计算机系统 |
CN111090822A (zh) * | 2019-12-18 | 2020-05-01 | 浙江口碑网络技术有限公司 | 业务对象的推送方法及装置 |
CN111192119A (zh) * | 2020-01-22 | 2020-05-22 | 麦维文 | 一种自动配餐及配送系统和方法 |
CN112506191A (zh) * | 2020-11-20 | 2021-03-16 | 刘娴 | 一种餐品自动配送方法、系统、机器人及存储介质 |
CN112527902A (zh) * | 2020-12-08 | 2021-03-19 | 李桂梅 | 一种基于区块链的餐饮人员身体数据共享系统 |
CN113110414A (zh) * | 2021-03-11 | 2021-07-13 | 深圳优地科技有限公司 | 机器人送餐方法、送餐机器人及计算机可读存储介质 |
CN113688719A (zh) * | 2021-08-23 | 2021-11-23 | 朱福全 | 一种智能餐厨管理系统、其数据处理方法及介质 |
CN113848885A (zh) * | 2021-09-07 | 2021-12-28 | 深圳优地科技有限公司 | 机器人送单方法、装置、设备及计算机可读存储介质 |
CN113821731A (zh) * | 2021-11-23 | 2021-12-21 | 湖北亿咖通科技有限公司 | 信息推送方法、设备和介质 |
CN114254784A (zh) * | 2021-12-17 | 2022-03-29 | 阿里巴巴新加坡控股有限公司 | 信息推送方法、信息推送装置和存储介质 |
CN114372834A (zh) * | 2022-03-21 | 2022-04-19 | 广州宜推网络科技有限公司 | 一种基于大数据的电商平台管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
胡小文 等: ""基于人工智能的机器人配送系统"", 《科技创新与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307584A (zh) * | 2023-03-20 | 2023-06-23 | 海口明邦实业有限责任公司 | 一种基于大数据的医疗洗涤供热监管系统及方法 |
CN116307584B (zh) * | 2023-03-20 | 2023-09-29 | 海口明邦实业有限责任公司 | 一种基于大数据的医疗洗涤供热监管系统及方法 |
CN116993376A (zh) * | 2023-08-14 | 2023-11-03 | 深圳数拓科技有限公司 | 一种无人餐厅的数据智能交互方法及系统 |
CN116993376B (zh) * | 2023-08-14 | 2024-03-12 | 深圳数拓科技有限公司 | 一种无人餐厅的数据智能交互方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115115147B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115115147B (zh) | 一种基于人工智能的营养餐运输管理系统及方法 | |
Aizawa et al. | Food balance estimation by using personal dietary tendencies in a multimedia food log | |
Choi et al. | A tree-based context model for object recognition | |
CN110795571B (zh) | 基于深度学习和知识图谱的文化旅游资源推荐方法 | |
Xu et al. | Segmentation of building roofs from airborne LiDAR point clouds using robust voxel-based region growing | |
US20030204437A1 (en) | Survey data processing | |
US11599846B2 (en) | Method and system for selection of a path for deliveries | |
CN109472417A (zh) | 一种外卖集中地区共同配送模式下路线优化算法 | |
Sun et al. | A content-enhanced approach for cold-start problem in collaborative filtering | |
Ruseckaite et al. | Bayesian D-optimal choice designs for mixtures | |
CN107392254A (zh) | 一种通过联合嵌入从像素中构造图像的语义分割方法 | |
CN110688888A (zh) | 一种基于深度学习的行人属性识别方法和系统 | |
CN108509467A (zh) | 一种基于用户行为日志的海运报价推荐系统与方法 | |
Wu et al. | Per‐field urban land use classification based on tax parcel boundaries | |
CN117173743A (zh) | 一种时序相关的自适应信息融合鱼类群体跟踪方法 | |
CN111915041A (zh) | 一种基于云计算的餐饮会员大数据分析管理系统 | |
CN111192265B (zh) | 一种基于点云的语义实例确定方法、装置、电子设备及存储介质 | |
Jin et al. | Capacitated facility location and allocation with uncertain demand for tourism logistics: A multiobjective optimisation approach | |
CN114417021A (zh) | 一种基于时、空、义多约束融合的语义信息精准分发方法 | |
Lohani et al. | Extraction of tidal channel networks from aerial photographs alone and combined with laser altimetry | |
Arvindaraj et al. | Opportunities of Machine Learning Techniques in the Catering Industry-A Survey | |
Luo et al. | Identifying temporal patterns of multilateral spatial interactions: Using international trades as an example | |
CN109242547A (zh) | 智能导购机器人系统的控制方法及计算机可读存储介质 | |
Servati et al. | ROBUST TECHNOLOGY TRANSFER POLICY MAKING USING SCENARIO BASED FUZZY TOPSIS--A CASE STUDY OF IRAN'S GAS INDUSTRY. | |
CN115099756B (zh) | 一种基于云视频信息处理的冷链食品物流可视化方法 |
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 |