CN116205338A - 一种菜品销量的预测方法、装置、设备及介质 - Google Patents
一种菜品销量的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116205338A CN116205338A CN202211719480.8A CN202211719480A CN116205338A CN 116205338 A CN116205338 A CN 116205338A CN 202211719480 A CN202211719480 A CN 202211719480A CN 116205338 A CN116205338 A CN 116205338A
- Authority
- CN
- China
- Prior art keywords
- dish
- data
- sales
- dishes
- sequence
- 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 41
- 238000011156 evaluation Methods 0.000 claims description 34
- 239000000463 material Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000013523 data management Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 235000013311 vegetables Nutrition 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000013410 fast food Nutrition 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010411 cooking Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 235000019198 oils Nutrition 0.000 description 1
- 235000014594 pastries Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009466 transformation 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种菜品销量的预测方法、装置、设备及介质，方法包括：获取目标商户的菜品序列，以获取菜品序列中各菜品的菜品数据；获取目标商户的营销数据，将菜品数据与营销数据作为原始数据，并提取原始数据中的特征值；基于营销数据获得各菜品的销售数据序列，以基于销售序列数据进行训练获得符合要求的销量预测模型；将菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
Description
技术领域
本说明书涉及大数据技术领域，尤其涉及一种菜品销量的预测方法、装置、设备及介质。
背景技术
随着世界经济的逐渐繁荣，餐饮业在近几十年也飞速发展，各种连锁店、餐厅层出不穷。同时，科技的发展使得餐饮业的智能化转型已是大势所趋。智能点餐、菜品推荐、线上支付等智能化工具的出现，让餐饮行业的竞争已不再局限于价格竞争与产品质量竞争，“智能化”也成为餐饮业竞争的重要因素。近年来，互联网和信息技术的飞速发展，使得各个领域的运营数据急剧增加，在商业领域表现尤为明显。商业智能的提出，使得企业运营数据具有很高的商业价值，企业可以从海量数据中挖掘潜在有用信息，为客户提供更好的服务，为企业创造更大的利润。为了提高顾客取餐的效率，减少取餐通道的拥堵，提高用户体验，也可以增加菜品的销量，减少浪费，对于菜品销量的预测是餐饮业智能发展中的一项重要环节。
目前传统的管理依赖于店铺人员的个人经验，效果因人而异，无法发挥最佳价值，同时由于熟练的管理人员较少，经验也很难在门店间进行复制。而现有的预测技术基于线性回归、向量机、随机森林等机器学习方法，进行产品销量预测，已经可以实现电商、零售等领域的场景，但是对于快餐行业而言：线下的销售场景，受到地理位置、风土人情、天气状况、节日假期、店铺排名、评价等诸多因素的影响，无法仅仅基于销售数据进行分析，现有的技术方案并不适用。并且与电商、零售等目的性较强的消费场景不同，快餐店内的消费具有较强的随机性导致了现有预测方式的预测结果不准确的问题。
发明内容
为解决上述技术问题，本说明书一个或多个实施例提供了一种菜品销量的预测方法、装置、设备及介质。
本说明书一个或多个实施例采用下述技术方案：
本说明书一个或多个实施例中提供一种菜品销量的预测方法，方法包括：
获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
进一步地，在本说明书一个或多个实施例中，获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值，具体包括：
获取所述营销数据中的评价数据，以基于所述评价数据对所述菜品数据进行过滤，获得菜品影响数据；
提取所述营销数据中的目标商户影响数据与目标数据经营数据；
将所述菜品影响数据、所述目标商户影响数据与目标数据经营数据作为原始数据，以基于预设特征工程提取所述原始数据中的特征值。
进一步地，在本说明书一个或多个实施例中，基于所述评价数据对所述菜品数据进行过滤，获得菜品影响数据，具体包括：
基于各所述菜品的菜品名称获取与各所述菜品相对应的评价数据；
提取所述评价数据的评价关键词，并所述评价关键词进行聚类，以获得与所述菜品相对应的多个分类簇，获取各个分类簇所对应的分类中心关键词；
获取与所述分类中心关键词相对应的数据作为所述菜品的菜品影响数据，并对所述菜品数据中除所述菜品影响数据之外的数据进行过滤。
进一步地，在本说明书一个或多个实施例中，基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型，具体包括：
根据所述营销数据获得各个菜品的销售数据序列，并获得所述菜品序列中与所述菜品相邻的菜品，将所述相邻的菜品的销售数据序列作为相邻数据序列；
将所述销售数据序列与所述相邻数据序列输入预设图卷积神经网络模型，以获得所述菜品与所述相邻的菜品的依赖值；
根据长短期记忆网络计算所述依赖值的变化曲线，并对所述变化曲线进行线性回归获得对应的预测值，循环计算所述预测值，若所述预测值符合要求则将所述长短期记忆网络作为符合要求的销量预测模型。
进一步地，在本说明书一个或多个实施例中，将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量之后，所述方法还包括：
获取所述目标商户中各所述菜品的预设生产材料清单，
基于所述预设生产材料清单与各所述菜品的预测销量，确定所述目标商户的待用材料消耗量；
将所述待用材料消耗量与所述目标商户的当前库存进行对比，以确定所述目标商户的待采购材料以及所述代采购材料的数量。
进一步地，在本说明书一个或多个实施例中，将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量之后，所述方法还包括：
获取所述菜品序列中各所述菜品的类型，以基于所述菜品的类型对所述菜品序列进行拆分，获得多个菜品子序列；
获取各所述菜品子序列中各所述菜品的预测销量，以基于所述预测销量对所述菜品子序列中各所述菜品进行排序，获得所述目标商户更新后的菜单。
进一步地，在本说明书一个或多个实施例中，获取各所述菜品子序列中各所述菜品的预测销量，以基于所述预测销量对所述菜品子序列中各所述菜品进行排序，获得所述目标商户更新后的菜单之后，所述方法还包括：
获取所述目标商户中各所述菜品的类型所对应的菜品摆放区域；
收集所述营销数据中对于所述菜品摆放区域的摆放评价信息，以基于所述摆放评价信息确定各所述菜品摆放区域的分配等级；
基于各所述菜品子序列中各所述菜品的排序，将所述菜品匹配对应的分配等级，以将各所述菜品分配到对应的菜品摆放区域中。
本说明书一个或多个实施例提供一种菜品销量的预测装置，装置包括：
获取单元，用于获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
提取单元，用于获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
训练单元，用于基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
预测单元，用于将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
本说明书一个或多个实施例提供一种可编程控制器的通信采集设备，设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过结合菜品信息与营销信息提取用于目标商户菜品销量预测的特征值，充分结合了快餐行业的特性，使得训练获得的销量预测模型能够融合与目标商户相关的各类特征因素，从而提高了预测的准确性和置信性。此外，通过营销数据训练获得的销量预测模型相较于传统的LSTM、线性回归算法融合了该目标商户的各类营销信息充分考虑了各类外在隐私，避免了简单的时间序列预测不适用的问题。
附图说明
为了更清楚地说明本说明书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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本说明书实施例提供的一种菜品销量的预测方法的方法流程示意图；
图2为本说明书实施例提供的一种应用场景下销量预测模型的训练示意图；
图3为本说明书实施例提供的一种菜品的预测装置的内部结构示意图；
图4为本说明书实施例提供的一种菜品的预测设备的内部结构示意图；
图5为本说明书实施例提供的一种非易失性存储介质的内部结构示意图。
具体实施方式
本说明书实施例提供一种菜品销量的预测方法、装置、设备及介质。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本说明书保护的范围。
如图1所示，本说明书一个或多个实施例中提供了一种菜品销量的预测方法的方法流程示意图。由图1可知，方法包括以下步骤：
S101：获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据。
快餐店需要根据每日销售情况，制定次日的采购计划和生产计划，并调整菜品的摆放位置，将销量大的菜品放在顾客易取的位置，并撤销部分销量不好的菜品，以便提高顾客取餐的效率，减少取餐通道的拥堵，既可以提高用户体验，也可以增加菜品的销量，减少浪费。传统的管理依赖于店铺人员的个人经验，效果因人而异，无法发挥最佳价值，同时由于熟练的管理人员较少，经验也很难在门店间进行复制。本说明书实施例中为了综合分析与菜品销量相关的各个因素后获得菜品的销量预测，首先需要获取目标商户的菜品序列，从而获取菜品序列中各菜品的菜品数据。其中，需要说明的是菜品数据包括：辣度、咸度、油度、荤素、菜系、烹饪方式等相关数据。
S102：获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值。
基于上述步骤获得菜品序列中各个菜品的菜品数据后，由于菜品销售量同样受到季节、节日活动等相关数据的影响，因此为了提高预测的精确度。本说明书一个或多个实施例中，获取目标商户的营销数据，并且将数据菜品和营销数据作为原始数据，并提取所述原始数据中的特征值，以便基于特征值进行后续预测。其中，需要说明的是，营销数据包括：季节、气温、室温、风力、天气、城市、店铺评价、菜品评价、星期、节日、活动形式、活动力度、活动规模、活动渠道、食材新鲜度、食材供应商、用餐时间段、日期、销售数量等相关数据。
具体地，在本说明书一个或多个实施例中，获取目标商户的营销数据，将菜品数据与营销数据作为原始数据，并提取原始数据中的特征值，具体包括以下步骤：
由于营销数据与菜品数据中包含了大量与菜品相关的数据，但是并不是每个数据对于菜品的销量都存在影响，因此为了减少对于数据的分析资源，本说明书实施例中首先获取营销数据中的评价数据，从而根据评价数据对菜品数据进行过滤，获得菜品影响数据。例如：基于评价数据确定某菜品对于咸度的评价条数最多，那么咸度则为菜品影响数据。然后提取营销数据中的目标商户影响数据与目标数据经营数据。从而将菜品影响数据、目标商户影响数据与目标数据经营数据作为原始数据，并根据预设特征工程提取所述原始数据中的特征值。
进一步地，在本说明书一个或多个实施例中，基于评价数据对菜品数据进行过滤，获得菜品影响数据，具体包括以下步骤：
首先根据各个菜品的菜品名称获取与各菜品相对应的评价数据，然后提取评价数据的评价关键词，并对各个评价关键词进行聚类，以获得与菜品相对应的多个分类簇，获取各个分类簇所对应的分类中心关键词。然后获取与分类中心关键词相对应的数据作为该菜品的菜品影响数据，并对菜品数据中除菜品影响数据之外的数据进行过滤，以便实现对大量数据的过滤，避免冗余数据对于计算资源的消耗。
S103：基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型。
为了获得可靠的销量预测模型，使得销量预测模型可以适应于不同目标商户的销售特点，提高预测的精确度，本说明书实施例中如图2所示，基于营销数据获得各菜品的销售数据序列，以基于销售序列数据进行训练获得符合要求的销量预测模型。
具体地，在本说明书一个或多个实施例中，基于营销数据获得各菜品的销售数据序列，以基于销售序列数据进行训练获得符合要求的销量预测模型，具体包括以下过程：
首先根据营销数据获得各个菜品的销售数据序列，并获得菜品序列中与菜品相邻的菜品，将相邻的菜品的销售数据序列作为相邻数据序列。如图2所示，销售数据序列1的相邻数据序列为销售数据序列2。然后将销售数据序列与相邻数据序列输入到预设图卷积神经网络模型中，从而获得菜品与相邻的菜品的依赖值，根据长短期记忆网络计算依赖值的变化曲线，并对变化曲线进行线性回归获得对应的预测值，循环计算该预测值，如果该预测值符合要求则将长短期记忆网络作为符合要求的销量预测模型。即在本说明书某应用场景下将菜品序列和来自相同序列的相邻矩阵作为输入，经过图卷积神经网络计算其依赖性，再将计算结果输入LSTM计算其在时间上的变化情况，最终经过线性回归，得到预测的菜品销量。经过此步骤，如果有N种菜品，便会生成N种对应的销量预测模型。
S104：将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
基于上述步骤获得符合要求的销量预测模型之后，本说明书实施例中将菜品序列中各菜品的特征值输入到该符合要求的销量预测模型中，从而获得各个菜品的预测销量。
进一步地，为了方便对于菜品的生产材料进行盘点，方便对于缺失材料进行及时补货，保证布标商户的正常营业并节省工作人员的人工盘点工作。在本说明书一个或多个实施例中，将菜品序列中各菜品的特征值，输入符合要求的销量预测模型，获得各菜品的预测销量之后，方法还包括以下过程：
首先获取到目标商户中各菜品的预设生产材料清单，然后再根据于预先设置的生产材料清单与各菜品的预测销量，确定出目标商户的待用材料消耗量。然后把待用材料消耗量与目标商户的当前库存进行对比，从而确定出目标商户的待采购材料以及代采购材料的数量。
进一步地，随着移动互联网的发展，电子菜单逐渐成为餐饮行业的新型点菜工具。消费者在点餐时，可以利用终端扫描商户的二维码，在扫描二维码后，终端界面上可以展示该商户的菜品信息，为了更好的展示菜品信息增加菜品的销量。在本说明书一个或多个实施例中，将菜品序列中各菜品的特征值，输入符合要求的销量预测模型，获得各菜品的预测销量之后，方法还包括以下步骤：
首先获取菜品序列中各所述菜品的类型，以基于菜品的类型对所述菜品序列进行拆分，获得多个菜品子序列。然后获取各菜品子序列中各菜品的预测销量，以基于预测销量对所述菜品子序列中各所述菜品进行排序，获得目标商户更新后的菜单。如下表1所示为本说明书某应用场景下提供的一种菜品分类排序表。
表1一种菜品分类排序表
如上述表1可知，在某应用场景下可以基于不同的烹饪方式进行分类，即凉菜、热菜、蒸菜、油炸、面点、纯素菜。分别进行不同分类下的排序，然后在各个烹饪方式对应的菜品下在基于销售量对于菜品进行排序获得更新后的菜单。
进一步地，为了使得销量高的菜品可以摆放到易取放的位置，节省服务人员的运输工作，并辅助提升菜品销量，在本说明书一个或多个实施例中，获取各菜品子序列中各菜品的预测销量，以基于预测销量对菜品子序列中各菜品进行排序，获得目标商户更新后的菜单之后，方法还包括以下步骤：
首先获取目标商户中各菜品的类型所对应的菜品摆放区域，然后收集营销数据中对于菜品摆放区域的摆放评价信息，其中，该摆放评价信息包括目标商户服务人员对于各个菜品摆放的评价信息，从而根据各个摆放评价信息确定各菜品摆放区域的分配等级。即在某应用场景下，可以根据按照菜品分类、用户取放的难易程度也就是易取性、用户看见的先后顺序也就是易见性，3个维度进行区分，划分目标商户中菜品摆放区域的区域。如下表2所示，为本说明书实施例提供的一种菜品摆放区域划分的示意表。
表2一种菜品摆放区域划分的示意表
如图3所示，本说明书一个或多个实施例中提供了一种菜品销量的预测装置的内部结构示意图。由图3可知，一种菜品销量的预测装置，装置包括：
获取单元301，用于获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
提取单元302，用于获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
训练单元303，用于基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
预测单元304，用于将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
如图4所示，在说明书一个或多个实施例中提供了一种菜品销量的预测设备的内部结构示意图。由图4可知，一种菜品销量的预测设备，设备包括：
至少一个处理器401；以及，
与所述至少一个处理器401通信连接的存储器402；其中，
所述存储器402存储有所述至少一个处理器401的可执行指令，以使所述至少一个处理器401能够：
获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
如图5所示，本说明书一个或多个实施例中提供了一种非易失性存储的内部结构示意图。由图5可知，一种非易失性存储介质，存储有计算机可执行指令501，所述计算机可执行指令501能够：
获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种菜品销量的预测方法，其特征在于，所述方法包括：
获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
2.根据权利要求1所述的一种菜品销量的预测方法，其特征在于，所述获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值，具体包括：
获取所述营销数据中的评价数据，以基于所述评价数据对所述菜品数据进行过滤，获得菜品影响数据；
提取所述营销数据中的目标商户影响数据与目标数据经营数据；
将所述菜品影响数据、所述目标商户影响数据与目标数据经营数据作为原始数据，以基于预设特征工程提取所述原始数据中的特征值。
3.根据权利要求2所述的一种菜品销量的预测方法，其特征在于，所述基于所述评价数据对所述菜品数据进行过滤，获得菜品影响数据，具体包括：
基于各所述菜品的菜品名称获取与各所述菜品相对应的评价数据；
提取所述评价数据的评价关键词，并所述评价关键词进行聚类，以获得与所述菜品相对应的多个分类簇，获取各个分类簇所对应的分类中心关键词；
获取与所述分类中心关键词相对应的数据作为所述菜品的菜品影响数据，并对所述菜品数据中除所述菜品影响数据之外的数据进行过滤。
4.根据权利要求1所述的一种菜品销量的预测方法，其特征在于，所述基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型，具体包括：
根据所述营销数据获得各个菜品的销售数据序列，并获得所述菜品序列中与所述菜品相邻的菜品，将所述相邻的菜品的销售数据序列作为相邻数据序列；
将所述销售数据序列与所述相邻数据序列输入预设图卷积神经网络模型，以获得所述菜品与所述相邻的菜品的依赖值；
根据长短期记忆网络计算所述依赖值的变化曲线，并对所述变化曲线进行线性回归获得对应的预测值，循环计算所述预测值，若所述预测值符合要求则将所述长短期记忆网络作为符合要求的销量预测模型。
5.根据权利要求1所述的一种菜品销量的预测方法，其特征在于，所述将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量之后，所述方法还包括：
获取所述目标商户中各所述菜品的预设生产材料清单，
基于所述预设生产材料清单与各所述菜品的预测销量，确定所述目标商户的待用材料消耗量；
将所述待用材料消耗量与所述目标商户的当前库存进行对比，以确定所述目标商户的待采购材料以及所述代采购材料的数量。
6.根据权利要求1所述的一种菜品销量的预测方法，其特征在于，所述将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量之后，所述方法还包括：
获取所述菜品序列中各所述菜品的类型，以基于所述菜品的类型对所述菜品序列进行拆分，获得多个菜品子序列；
获取各所述菜品子序列中各所述菜品的预测销量，以基于所述预测销量对所述菜品子序列中各所述菜品进行排序，获得所述目标商户更新后的菜单。
7.根据权利要求6所述的一种菜品销量的预测方法，其特征在于，所述获取各所述菜品子序列中各所述菜品的预测销量，以基于所述预测销量对所述菜品子序列中各所述菜品进行排序，获得所述目标商户更新后的菜单之后，所述方法还包括：
获取所述目标商户中各所述菜品的类型所对应的菜品摆放区域；
收集所述营销数据中对于所述菜品摆放区域的摆放评价信息，以基于所述摆放评价信息确定各所述菜品摆放区域的分配等级；
基于各所述菜品子序列中各所述菜品的排序，将所述菜品匹配对应的分配等级，以将各所述菜品分配到对应的菜品摆放区域中。
8.一种菜品销量的预测装置，其特征在于，所述装置包括：
获取单元，用于获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
提取单元，用于获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
训练单元，用于基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
预测单元，用于将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
9.一种菜品销量的预测设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有所述至少一个处理器的可执行指令，以使所述至少一个处理器能够：
获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
10.一种非易失性存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令能够：
获取目标商户的菜品序列，以获取所述菜品序列中各菜品的菜品数据；
获取所述目标商户的营销数据，将所述菜品数据与所述营销数据作为原始数据，并提取所述原始数据中的特征值；
基于所述营销数据获得各所述菜品的销售数据序列，以基于所述销售序列数据进行训练获得符合要求的销量预测模型；
将所述菜品序列中各所述菜品的特征值，输入所述符合要求的销量预测模型，获得各所述菜品的预测销量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211719480.8A CN116205338A (zh) | 2022-12-30 | 2022-12-30 | 一种菜品销量的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211719480.8A CN116205338A (zh) | 2022-12-30 | 2022-12-30 | 一种菜品销量的预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116205338A true CN116205338A (zh) | 2023-06-02 |
Family
ID=86506866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211719480.8A Pending CN116205338A (zh) | 2022-12-30 | 2022-12-30 | 一种菜品销量的预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116205338A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116385048A (zh) * | 2023-06-06 | 2023-07-04 | 山东政信大数据科技有限责任公司 | 一种农产品智慧营销方法和系统 |
| CN117557289A (zh) * | 2023-11-20 | 2024-02-13 | 大头(广州)软件技术有限公司 | 一种基于智能营销场景的餐饮数据建模方法及系统 |
| CN117974211A (zh) * | 2024-02-02 | 2024-05-03 | 广东工业大学 | 一种蔬菜销量预警方法及系统 |
| CN118096216A (zh) * | 2024-03-11 | 2024-05-28 | 网才科技(广州)集团股份有限公司 | 一种商机业务处理方法及系统 |
-
2022
- 2022-12-30 CN CN202211719480.8A patent/CN116205338A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116385048A (zh) * | 2023-06-06 | 2023-07-04 | 山东政信大数据科技有限责任公司 | 一种农产品智慧营销方法和系统 |
| CN116385048B (zh) * | 2023-06-06 | 2023-08-22 | 山东政信大数据科技有限责任公司 | 一种农产品智慧营销方法和系统 |
| CN117557289A (zh) * | 2023-11-20 | 2024-02-13 | 大头(广州)软件技术有限公司 | 一种基于智能营销场景的餐饮数据建模方法及系统 |
| CN117557289B (zh) * | 2023-11-20 | 2024-04-16 | 大头(广州)软件技术有限公司 | 一种基于智能营销场景的餐饮数据建模方法及系统 |
| CN117974211A (zh) * | 2024-02-02 | 2024-05-03 | 广东工业大学 | 一种蔬菜销量预警方法及系统 |
| CN117974211B (zh) * | 2024-02-02 | 2024-08-09 | 广东工业大学 | 一种蔬菜销量预警方法及系统 |
| CN118096216A (zh) * | 2024-03-11 | 2024-05-28 | 网才科技(广州)集团股份有限公司 | 一种商机业务处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116205338A (zh) | 一种菜品销量的预测方法、装置、设备及介质 | |
| CN107622427B (zh) | 深度学习的方法、装置及系统 | |
| JP6161992B2 (ja) | 販売予測システム及び販売予測方法 | |
| Shabani et al. | A new benchmarking approach in Cold Chain | |
| CN105183727A (zh) | 一种图书推荐方法及其系统 | |
| CN110580649B (zh) | 一种商品潜力值的确定方法和装置 | |
| CN109784979A (zh) | 一种大数据驱动的供应链需求预测方法 | |
| KR102227552B1 (ko) | 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템 | |
| Mokdara et al. | Personalized food recommendation using deep neural network | |
| Agyemang et al. | Analysis of opportunities for greenhouse emission reduction in the global supply chains of cashew industry in West Africa | |
| CN116645141B (zh) | 一种融合多维特征的连锁门店选址推荐方法 | |
| CN113689258A (zh) | 一种商品推荐热度生成方法及系统 | |
| Alawadh et al. | A survey on methods and applications of intelligent market basket analysis based on association rule. | |
| KR102594089B1 (ko) | Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템 | |
| Latif et al. | Ordering policy in a supply chain with adaptive neuro-fuzzy inference system demand forecasting | |
| Akbarzadeh et al. | Developing an economic production quantity model with scrap, rework and backordering under vendor-managed inventory policy | |
| Zhllima et al. | Analysis of consumer preferences for table olives—The case of Albanian urban consumers | |
| Nassibi et al. | Demand forecasting models for food industry by utilizing machine learning approaches | |
| CN108416628A (zh) | 一种融合食物多属性关系的餐厅菜品智能推荐系统 | |
| Rabbani et al. | Simultaneous production planning of make-to-order (MTO) and make-to-stock (MTS) products using simulation optimization. Case study: Soren Restaurant | |
| Stüve et al. | Supply Chain Planning in the food industry | |
| KR20220014499A (ko) | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 | |
| Ming et al. | Prediction of China’s coal price during Twelfth Five Year Plan period | |
| Kathuria et al. | Real-Time Temperature Based Food Recommendation using Artificial Intelligence | |
| WO2024053072A1 (ja) | 商品群顧客群抽出装置、商品群顧客群抽出方法、及び商品群顧客群抽出プログラム |
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 |