CN115115147A - 一种基于人工智能的营养餐运输管理系统及方法 - Google Patents

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

一种基于人工智能的营养餐运输管理系统及方法

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。

Images