CN116343992A - 基于营养健康理念的多因素排餐装置及方法 - Google Patents

基于营养健康理念的多因素排餐装置及方法 Download PDF

Info

Publication number
CN116343992A
CN116343992A CN202111566998.8A CN202111566998A CN116343992A CN 116343992 A CN116343992 A CN 116343992A CN 202111566998 A CN202111566998 A CN 202111566998A CN 116343992 A CN116343992 A CN 116343992A
Authority
CN
China
Prior art keywords
information
food material
dish
factor
recommendation
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
Application number
CN202111566998.8A
Other languages
English (en)
Inventor
邵丹青
郭沫凡
虞晓含
孙颖
应剑
王黎明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cofco Nutrition and Health Research Institute Co Ltd
Original Assignee
Cofco Nutrition and Health Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cofco Nutrition and Health Research Institute Co Ltd filed Critical Cofco Nutrition and Health Research Institute Co Ltd
Priority to CN202111566998.8A priority Critical patent/CN116343992A/zh
Publication of CN116343992A publication Critical patent/CN116343992A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Nutrition Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供一种基于营养健康理念的多因素排餐装置及方法，属于健康饮食数据处理领域。所述装置包括：信息收集模块，用于获取客户的需求信息和环境信息；根据所述需求信息确定客户标签信息；多因素排餐模块，用于基于客户标签信息和环境信息确定食材信息；基于食材信息，在菜品数据库中确定菜品信息；以及根据所述食材信息获取对应的参考数据，将所述参考数据输入神经网络数据预测模型得到所述食材信息对应的推荐系数；根据所述食材信息对应的推荐系数和菜品中对应食材权重，得到菜品信息对应的菜品推荐系数；餐单生成与菜品制作量计算模块，用于基于所述菜品信息对应的菜品推荐系数生成推荐菜单序列。本发明提高了多种因素作用下的排餐准确性。

Description

基于营养健康理念的多因素排餐装置及方法
技术领域
本发明涉及健康饮食数据处理领域，具体地涉及一种基于营养健康理念的多因素排餐装置和一种基于营养健康理念的多因素排餐方法。
背景技术
营养配餐系统是由计算机应用技术、基础营养学、临床营养学、数学等多门学科协作实现的。其中，基础营养学和临床营养学是理论基础。虽然人们已经利用营养学理论对营养膳食做过了大量而细致的研究，但并未把不同人群对营养素的标准需求量同食物有机地联系在一起，也没有对营养素的实际摄入量与理想供给量进行数值上的分析，故在理论的基础之上，还需要利用计算机相关技术和算法、数学公式等，对营养学、疾病营养学数据做海量的分析与处理，把理论中的复杂问题转化为具体的营养配餐系统，以供广大人群应用。
近年来，营养配餐系统相关的研究发展迅速。在国外，营养配餐这一概念已经相当普及。在营养配餐与决策信息化方面，D.Vedenov等学者探讨了不同营养等级的输入对人体组织的影响，利用信息技术和数学回归分析工具建立各种营养输入与输出相关的非线性模型。Halifa A.Y.等人早在1997年就提出了可以利用遗传算法对配餐结果进行求解及优化。H.Ahmadi针对饭食中可代谢的能量、蛋氨酸、赖氨酸等数据，利用神经网络方法对食物的烧烤特性进行研究和预测。很多国家在营养配餐领域更趋向于方便、实用、小型化的硬件产品的研究与开发。比如，日本东芝公司生产出了一种电视画面式的智能菜谱营养机，其可根据季节、年龄、性别及各项身体指标帮助人们选择喜爱的主副食，并计算其营养含量。还有一种产品被称为保健食谱计算器，可放置于厨房中。该产品可以按照当前用餐的人数来计算各种菜品的配料及用量，且具有测定营养成分、调节运动食谱和制定减肥计划等多项功能。
国内也有比较典型的几种营养配餐系统。其中，针对病患设计的营养配餐系统有许多。1998年，刘文杰和徐坚英开发了中医食疗与营养配餐系统。该系统能根据患者的病情、食物的营养成分及疗效等信息，出具治疗相应疾病的日常食谱，使患者通过饮食来提高或达到治疗的效果。针对食物中营养元素的复杂性会导致配餐效率不高这一问题，冯剑、曹琳等人于2008年开发了一套具有疾病优选功能的膳食营养配餐系统。从定量的角度在疾病与食谱之间建立了复杂的对应关系。同一年，王向红研究了应用改进的模拟退火算法实现针对合并症患者的配餐。其首先建立了疾病类型与营养膳食的贝叶斯网络模型，然后通过对该模型的推理得到联合后验概率，最后对概率值进行优选，从而实现针对合并症患者的选菜。2014年，张云渡同学采用数据挖掘技术中关联规则改进的Apriori算法对慢性疾病与相关微量元素的关系进行挖掘。在其论文中以糖尿病患者为例，介绍了数据预处理及数据挖掘过程，并对挖掘结果给予分析和解释，最终将挖掘出的关联规则应用于营养配餐系统中。
现有营养配餐技术存在数据采集技术的多样化、复合化略显不足，数据处理技术随着人工智能及大数据技术的发展，逐渐向智能化发展，应用了较多地算法技术。但是，现有技术中营养配餐系统的应用场景较为单一，不足以满足不同用户的需求。
发明内容
本发明实施方式的目的是提供一种基于营养健康理念的多因素排餐装置和一种基于营养健康理念的多因素排餐方法，以至少解决营养配餐系统的多种因数作用下的排餐问题。
为了实现上述目的，本发明第一方面提供一种基于营养健康理念的多因素排餐装置，所述装置包括：
信息收集模块，用于获取客户的需求信息和环境信息；根据所述需求信息确定客户标签信息；
多因素排餐模块，用于基于客户标签信息和环境信息确定食材信息；基于食材信息，在菜品数据库中确定菜品信息；以及根据所述食材信息获取对应的参考数据，将所述参考数据输入神经网络数据预测模型得到所述食材信息对应的推荐系数；根据所述食材信息对应的推荐系数和菜品中对应食材权重，得到菜品信息对应的菜品推荐系数；
餐单生成与菜品制作量计算模块，用于基于所述菜品信息对应的菜品推荐系数生成推荐菜单序列。
可选的，所述信息收集模块，还用于基于客户标签信息确定客户的人均能量和营养素；
所述餐单生成与菜品制作量计算模块，还用于根据所述人均客户的人均能量和营养素计算所述推荐菜单序列对应的菜品需求量。
可选的，所述装置还包括：
采购需求输出模块，用于根据所述菜品需求量确定所述推荐菜单序列对应的食材采购量。
可选的，所述餐单生成与菜品制作量计算模块还用于：
获取服务菜单信息；
将所述推荐菜单序列与所述服务菜单信息进行匹配，得到与所述服务菜单信息对应的菜品推荐系数。
可选的，所述食材信息对应的参考数据，包括：食材消耗名次数值、食材浪费名次数值、食材保质期名次数值、食材价格数值和食材的营养素密度数值。
本发明第二方面提供一种基于营养健康理念的多因素排餐方法，所述方法包括：
获取客户的需求信息和环境信息；根据所述需求信息确定客户标签信息；
基于客户标签信息和环境信息确定食材信息；基于食材信息，在菜品数据库中确定菜品信息；以及根据所述食材信息获取对应的参考数据，将所述参考数据输入神经网络数据预测模型得到所述食材信息对应的推荐系数；根据所述食材信息对应的推荐系数和菜品中对应食材权重，得到菜品信息对应的菜品推荐系数；
基于所述菜品信息对应的菜品推荐系数生成推荐菜单序列。
可选的，所述多因素排餐方法还包括：
基于客户标签信息确定客户的人均能量和营养素；
根据所述人均客户的人均能量和营养素计算所述推荐菜单序列对应的菜品需求量。
可选的，所述多因素排餐方法还包括：
根据所述菜品需求量确定所述推荐菜单序列对应的食材采购量。
可选的，所述多因素排餐方法还包括：
获取服务菜单信息；
将所述推荐菜单序列与所述服务菜单信息进行匹配，得到与所述服务菜单信息对应的菜品推荐系数。
可选的，所述食材信息对应的参考数据，包括：食材消耗名次数值、食材浪费名次数值、食材保质期名次数值、食材价格数值和食材的营养素密度数值。
通过上述技术方案，基于客户标签信息和环境信息确定食材信息；基于食材信息，在菜品数据库中确定菜品信息；以及根据所述食材信息获取对应的参考数据，将所述参考数据输入神经网络数据预测模型得到所述食材信息对应的推荐系数；根据所述食材信息对应的推荐系数和菜品中对应食材权重，得到菜品信息对应的菜品推荐系数；基于所述菜品信息对应的菜品推荐系数生成推荐菜单序列。
根据客户的环境信息与需求信息，去生成推荐菜单序列，可以根据用户的需求和环境因素，得到了符合用户需求的菜单序列，也即是得到客户需求的营养配餐，提高了多种因素作用下的排餐准确性。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的基于营养健康理念的多因素排餐装置示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1所示，一种基于营养健康的多因素排餐装置，所述装置包括：信息收集模块(即是客户及环境信息手机模块)，多因素排餐模块(即是多因素排餐算法与数据输出模块)和餐单生成与菜品制作量计算模块；信息收集模块用于获取客户的需求信息和环境信息；根据所述需求信息确定客户标签信息；多因素排餐模块用于基于客户标签信息和环境信息确定食材信息；基于食材信息，在菜品数据库中确定菜品信息；以及根据所述食材信息获取对应的参考数据，将所述参考数据输入神经网络数据预测模型得到所述食材信息对应的推荐系数；根据所述食材信息对应的推荐系数和菜品中对应食材权重，得到菜品信息对应的菜品推荐系数；餐单生成与菜品制作量计算模块用于基于所述菜品信息对应的菜品推荐系数生成推荐菜单序列。
具体的，在使用系统时，客户会输入需求信息，需求信息包括年龄、性别、体力活动、疾病相关信息、中医体质等信息。上述环境信息包括时令标签和地域标签；时令标签以月份为依据进行划分，例如，对于白菜等全年常见食材，则匹配十二个月份标签；对于秋葵等仅夏秋季节常见的食材，则根据具体上市时节匹配相应“7月”+“8月”+“9月”+“10月”标签；地域标签以省份为基准进行划分，在当前省份较常见的食材将被匹配相应的省份标签。首先将上述的需求信息通过映射关系表，确定客户标签信息；如通过BMI＝体重/身高2，计算得到BMI，并根据BMI在映射关系表中的值或者关键词确定客户标签信息。如体重偏低(BMI<18.5kg/m2)、体重正常(18.5kg/m2≤BMI＜24kg/m2)、超重(24kg/m2≤BMI＜28kg/m2)、肥胖(BMI≥28kg/m2)。然后为每位客户相应的添加“体重偏低”/“体重正常”/“超重”/“肥胖”标签。根据疾病相关信息中的关键词，为不同疾病的用户匹配和添加“高血压”、“高尿酸”、“高血脂”等标签。这样就得到了每位客户的多个标签，为客户关联上对应的标签信息。将上述得到客户标签信息和环境信息，通过查询食材数据库中的关键词，然后进行匹配，得到食材信息。食材数据库由基本营养信息和标签(也即是关键词)组成。其中，基本营养信息包括食材编码、食材种类编码、名称、可食部比例、水分、能量(kcal)、蛋白质、脂肪、碳水化合物、膳食纤维、胆固醇、灰分、维生素A、胡萝卜素、视黄醇、维生素B1、维生素B2、烟酸、维生素C、维生素E、钙、磷、钾、钠、镁、铁、锌、硒、铜、锰等的含量信息。标签包括：与人群标签相对应的关键词。食材库标签包括DASH、半流食、产氨低、产气、成碱性食物、成酸性食物、纯糖类、刺激性、粗纤维、低饱和脂肪、低苯丙氨酸、低草酸、低胆固醇、低蛋氨酸、低蛋白麦淀粉膳食、低动物脂肪、低多不饱和脂肪酸、低非必需氨基酸、低钙、低果糖、低钾、低磷、低钠、低能量、低嘌呤、低乳糖、低糖、低天然蛋白质、低铜、低纤维、低盐、低蔗糖、低脂、低脂乳、动物蛋白、动物性食品、高n-3脂肪酸、高饱和脂肪酸、高必需氨基酸、高单不饱和脂肪酸、高胆固醇、高蛋白质、高碘、高反式脂肪酸、高钙、高钾、高酪氨酸、高磷、高镁、高钠、高能量、高嘌呤、高肉碱、高生物价蛋白、高糖类、高铁、高微量元素、高维生素、高维生素B1、高维生素B12、高维生素B6、高维生素B族、高维生素C、高维生素D、高纤维、高锌、高叶酸、高脂肪、黄绿色蔬菜、极低纤维、碱性食物、精制食品、流食、麦胶类食物、奶制品、清流食、全脂、软食、少渣、糖类、甜食、调味品、温和膳食、无蛋白、无乳糖、无盐、无蔗糖、无脂、优质蛋白、植物蛋白。与“高血糖”标签相关联的标签包括“含添加糖”、“高膳食纤维”、“低GI”等；又如时令及地域标签：每种食材都有对应的时令标签，以月份为依据进行划分，在当前月份较常见的食材会被匹配当前月份标签。例如，对于白菜等全年常见食材，则匹配十二个月份标签；对于秋葵等仅夏秋季节常见的食材，则根据具体上市时节匹配相应“7月”+“8月”+“9月”+“10月”标签。
然后，基于食材信息，在菜品数据库中确定菜品信息；具体的，根据将菜品数据库中每种菜品中的食材所对应的食材信息比对，当该菜品中的每一食材均为食材信息中对应的食材时，将该菜品录入菜品信息中。这样得到菜品信息可以使得客户的多种信息均被考虑到菜品信息中的确定逻辑中，提高数据的准确性。
上述根据所述食材信息获取对应的参考数据，将所述参考数据输入神经网络数据预测模型得到所述食材信息对应的推荐系数，其中，所述食材信息对应的参考数据，包括：食材消耗名次数值、食材浪费名次数值、食材保质期名次数值、食材价格数值和食材的营养素密度数值。
具体的，食材消耗名次数值代表本地食材消费参考因素，通过运营统计中各食材消耗量，对所有食材的消耗量进行排序得到；食材浪费名次数值代表本地食材浪费参考因素，通过后厨统计的食材浪费情况，对所有食材的浪费比例进行排序得到；食材保质期名次数值代表后厨食材储藏参考因素，通过后厨统计，对所有食材的保质期进行排序得到；食材价格数值代表食材价格参考因素，通过从食材销售渠道获得的食材销售价格得到；食材的营养素密度数值代表食材营养素密度参考因素是根据食材库中数据计算所得，其中营养素密度＝单位质量食材的营养素含量÷单位质量食材的能量含量。运用神经网络数据预测模型(Fast Tree Tweedie Regression模型)，将上述的食材信息对应的参考数据作为输入，神经网络数据预测模型输出数据为各食材的推荐系数。神经网络数据预测模型(Fast TreeTweedie Regression模型)在进行训练时，将之前食材的参考数据作为训练样本，以菜品剩余量为收敛函数，也即是对每次推荐系数进行推荐，求取所有菜品剩余量之和，当收敛函数的值达到目标值时，完成经网络数据预测模型(Fast Tree Tweedie Regression模型)的训练。
上述的，根据所述食材信息对应的推荐系数和菜品中对应食材权重，得到菜品信息对应的菜品推荐系数，包括：
将食材配比视为食材权重，将各食材推荐系数进行加权计算，得到最终菜品推荐系数。具体的，将菜品中该食材的推荐系数与该食材的食材权重相乘得到该食材对于菜品的第一系数；然后将所有食材的第一系数相加之和作为该菜品的菜品推荐系数。
优选的，为了提高客户反馈的作用关系；获取客户的对菜品的不满意度评分、浪费菜品评分和使用者经常替换菜品评分；然后将不满意度评分、浪费菜品评分和使用者经常替换菜品评分进行代数相加，得到反馈评分；将所有菜品的反馈评分进行归一化，得到每个菜品的反馈系数；将每个菜品的反馈系数与菜品推荐系数进行校正(代数相加)后，得到该菜品的菜品推荐系数。采用这样的矫正后的菜品推荐系数可以更好的反馈客户的作用因素。
进一步的，为了提高推荐菜单序列与用户(如餐厅)制作水平匹配度；所述餐单生成与菜品制作量计算模块还用于：获取服务菜单信息；服务菜单信息可以根据地域信息或使用者选择形成的特选菜系菜单信息；特选菜系菜单信息可以按分类从菜品排序列表中手动选择或自动输出菜单。筛选条件为：满足每天食材不重复、每天食材不少于12种、每周食材不少于25种、菜品至少包括(主食、奶类、荤菜、水果、素菜)。
餐单生成与菜品制作量计算模块，用于基于所述菜品信息对应的菜品推荐系数生成推荐菜单序列。所述基于所述菜品信息对应的菜品推荐系数生成推荐菜单序列，包括：将所述推荐菜单序列与所述服务菜单信息进行匹配，得到与所述服务菜单信息对应的菜品推荐系数。具体的，将服务菜单信息中的关键词如菜名与推荐菜单序列中菜名进一致性匹配，若完全一致，将推荐菜单序列中的序列对应的编号作为服务菜单信息中对应菜名的菜品推荐系数；然后将服务菜单信息按照应编号排序，得到的服务菜单信息序列作为推荐菜单序列，即是与餐厅服务相一致的推荐菜单序列，将餐厅服务中没有的菜进行了去除，得到了与餐厅服务一致的菜单排列。
在本发明实施例中，所述信息收集模块还用于基于客户标签信息确定客户的人均能量和营养素；所述餐单生成与菜品制作量计算模块，还用于根据所述人均客户的人均能量和营养素计算所述推荐菜单序列对应的菜品需求量。可选的，所述基于客户标签信息确定客户的人均能量和营养素，包括：在设定时间内，根据所有客户标签信息确定所有客户对应的亚组组数和每一亚组中的人数，以及每一亚组对应的亚组能量；根据所有客户对应的亚组组数、每一亚组中的人数、每一亚组对应的亚组能量以及客户总人数，计算得到人均能量目标需要量。这样可以防止由于缺少部分标签信息，无法确定客户所需能量导致的误差。
根据客户上述标签信息，可在人群营养需求数据库中得到每位客户所需能量即是亚组能量(kcal)、碳水化合物(g)、总脂肪(g)、蛋白质(g)、钙(mg/d)、磷(mg/d)、钾(mg/d)、钠(mg/d)、镁(mg/d)、氯(mg/d)、铁(mg/d)、碘(μg/d)、锌(mg/d)、硒(μg/d)、铜(mg/d)、氟(mg/d)、铬(μg/d)锰(mg/d)、钼(μg/d)、维生素A(μg RAE/d)、维生素D(μg/d)、维生素E(mgα-TE/d)、维生素K(μg/d)、维生素B1(mg/d)、维生素B2(mg/d)、维生素B6(mg/d)维生素B12(μg/d)、维生素B5(mg/d)、叶酸(μg DEF/d)、烟酸(mg NE/d)、胆碱(mg/d)、维生素H(μg/d)、维生素C(mg/d)的目标需要量及摄入范围；人群营养需求数据库中的目标需要量及摄入范围(即是亚组能量)根据膳食指南可以确定。针对设定时间内(如1天)的每一客户，在人群营养需求数据库中得到对应的能量需要量，统计不同需要量的人数，通过公式：人均能量目标需要量＝Σ(亚组能量*每组人数)÷客户总人数；可求得人均能量目标需要量；同理可得：人均蛋白质目标需要量＝Σ(亚组蛋白质目标需要量*每组人数)÷客户总人数。根据求得的客户的人均能量和营养素(如人均能量目标需要量、人均蛋白质目标需要量)依次计算主食、奶类、荤菜、水果和素菜种类中每种菜的平均重量。
1.主食需要供应量计算：(1)人均碳水化合物需要量(g)＝人均能量目标需要量(kcal)×R÷M；
(2)每个主食需要提供的碳水化合物含量(g)＝人均碳水化合物需要量(g)*人数÷主食类菜品个数；
(3)每个主食的需要量(g)＝每个主食需要提供的碳水化合物含量(g)÷菜品碳水化合物占比(％)；
2.奶类需要供应量计算：300g液体奶当量*客户总人数；
3.荤菜需要供应量计算：
(1)荤菜需要提供的总蛋白质量(g)＝(人均蛋白目标需要量*客户总人数-主食和奶类的蛋白量)*N
(2)每个荤菜的需要量(g)＝荤菜需要提供的总蛋白质量(g)÷荤菜菜品个数÷各菜品蛋白质占比(％)；
4.水果需要供应量计算：200g相应水果*客户总人数；
5.素菜需要供应量计算：
(1)素菜需要提供的总能量(kcal)等于人均能量目标需要量(kcal)与客户总人数的积减去上述主食、奶类、荤菜、水果四类菜品能量之和(kcal)的值；
(2)每个素菜的需要量(g)＝素菜需要提供的总能量(kcal)÷素菜菜品数量÷各菜品能量占比(kcal/100g)。
其中，R是碳水化合物提供能量占所需总能量的比例，优选为50％-65％；M是每克碳水化合物所提供能量的固定值，固定值为4kcal；菜品碳水化合物占比为菜品库中可读取的固定数值；客户总人数指当日在该餐厅就餐的所有人数；各类菜品个数是与餐厅服务相一致的推荐菜单序列决定；其中300g液体奶当量指300g液体奶，或提供与之同等含量蛋白质的奶制品量。例如100g鲜奶＝100g酸奶＝12.5g奶粉＝10g奶酪；N为动物性来源蛋白质应占总蛋白摄入比优选为2/3。
采购需求输出模块，用于根据所述菜品需求量确定所述推荐菜单序列对应的食材采购量。在本发明实施例中，根据菜单生成与菜品制作量计算模块输出的菜品制作量数据，计算得到一日所需食材及每种食材的制作量，基于公式：食材需要量＝食材制作量÷可食部比例*(1+清洁和烹饪损失系数)；其中，可食部比例为食材数据库中每种食材的固定变量，清洁和烹饪损失系数为数据库中标准化变量，可由使用者微调，计算得到每种食材的需要量。
食材采购量在本发明实施例中，操作者通过手动录入或与硬件仓储系统的数据接口，获得每种食材的库存量数据，基于公式：食材采购量＝食材需要量-食材库存量。计算得到每种食材的采购量并通过接口输出至采买平台。
综上，本发明根据客户及环境信息收集模块中信息整合，协同过滤成筛选因素标签，并进行标签匹配对应筛选食材库，将入选食材在菜品库中的食材栏根据标签匹配进行程序自动筛选，形成可用菜品库，通过多因素排餐模型将可选分类菜品加权系数形成排序，按餐厅实际运营的菜品布局(也即是服务菜单信息，如两荤菜、两素菜、两主食等搭配)后生成餐单(推荐菜单序列)；随后，根据客户及环境信息收集模块中调取人群数量以及人群分类与功能需求信息，在数据库中匹配该人群平均所需能量和营养素供给量，传输给菜品制作量需求算法模型，计算得各菜品总需求量，根据菜品库中食材及配料占比推算出各食材的重量需求数据；最后，经核算库存量后形成采购量并输出采购指令。这样生成的采购清单，在符合健康饮食的基础上，可以提高食材采购的精确性，提高了用户的食材准备的精确性，降低了经营成本以及降低了仓存储压力。
相应的，本发明还提供一种基于营养健康理念的多因素排餐方法，其原理不在赘述。所述方法包括：
获取客户的需求信息和环境信息；根据所述需求信息确定客户标签信息；
基于客户标签信息和环境信息确定食材信息；基于食材信息，在菜品数据库中确定菜品信息；以及根据所述食材信息获取对应的参考数据，将所述参考数据输入神经网络数据预测模型得到所述食材信息对应的推荐系数；根据所述食材信息对应的推荐系数和菜品中对应食材权重，得到菜品信息对应的菜品推荐系数；
基于所述菜品信息对应的菜品推荐系数生成推荐菜单序列。
所述多因素排餐方法还包括：
基于客户标签信息确定客户的人均能量和营养素；
根据所述人均客户的人均能量和营养素计算所述推荐菜单序列对应的菜品需求量。
所述多因素排餐方法还包括：
根据所述菜品需求量确定所述推荐菜单序列对应的食材采购量。
所述多因素排餐方法还包括：
获取服务菜单信息；
将所述推荐菜单序列与所述服务菜单信息进行匹配，得到与所述服务菜单信息对应的菜品推荐系数。
所述食材信息对应的参考数据，包括：食材消耗名次数值、食材浪费名次数值、食材保质期名次数值、食材价格数值和食材的营养素密度数值。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (10)

1.一种基于营养健康理念的多因素排餐装置，其特征在于，所述装置包括：
信息收集模块，用于获取客户的需求信息和环境信息；根据所述需求信息确定客户标签信息；
多因素排餐模块，用于基于客户标签信息和环境信息确定食材信息；基于食材信息，在菜品数据库中确定菜品信息；以及根据所述食材信息获取对应的参考数据，将所述参考数据输入神经网络数据预测模型得到所述食材信息对应的推荐系数；根据所述食材信息对应的推荐系数和菜品中对应食材权重，得到菜品信息对应的菜品推荐系数；
餐单生成与菜品制作量计算模块，用于基于所述菜品信息对应的菜品推荐系数生成推荐菜单序列。
2.根据权利要求1所述的多因素排餐装置，其特征在于，所述信息收集模块还用于基于客户标签信息确定客户的人均能量和营养素；
所述餐单生成与菜品制作量计算模块还用于根据所述人均客户的人均能量和营养素计算所述推荐菜单序列对应的菜品需求量。
3.根据权利要求2所述的多因素排餐装置，其特征在于，所述装置还包括：
采购需求输出模块，用于根据所述菜品需求量确定所述推荐菜单序列对应的食材采购量。
4.根据权利要求1所述的多因素排餐装置，其特征在于，所述餐单生成与菜品制作量计算模块还用于：
获取服务菜单信息；
将所述推荐菜单序列与所述服务菜单信息进行匹配，得到与所述服务菜单信息对应的菜品推荐系数。
5.根据权利要求1所述的多因素排餐装置，其特征在于，所述食材信息对应的参考数据，包括：食材消耗名次数值、食材浪费名次数值、食材保质期名次数值、食材价格数值和食材的营养素密度数值。
6.一种基于营养健康理念的多因素排餐方法，其特征在于，所述方法包括：
获取客户的需求信息和环境信息；
根据所述需求信息确定客户标签信息；
基于客户标签信息和环境信息确定食材信息；
基于食材信息，在菜品数据库中确定菜品信息；以及根据所述食材信息获取对应的参考数据，将所述参考数据输入神经网络数据预测模型得到所述食材信息对应的推荐系数；
根据所述食材信息对应的推荐系数和菜品中对应食材权重，得到菜品信息对应的菜品推荐系数；
基于所述菜品信息对应的菜品推荐系数生成推荐菜单序列。
7.根据权利要求6所述的多因素排餐方法，其特征在于，所述方法还包括：
基于客户标签信息确定客户的人均能量和营养素；
根据所述人均客户的人均能量和营养素计算所述推荐菜单序列对应的菜品需求量。
8.根据权利要求7所述的多因素排餐方法，其特征在于，所述方法还包括：
根据所述菜品需求量确定所述推荐菜单序列对应的食材采购量。
9.根据权利要求6所述的多因素排餐方法，其特征在于，所述方法还包括：
获取服务菜单信息；
将所述推荐菜单序列与所述服务菜单信息进行匹配，得到与所述服务菜单信息对应的菜品推荐系数。
10.根据权利要求6所述的多因素排餐方法，其特征在于，所述食材信息对应的参考数据，包括：食材消耗名次数值、食材浪费名次数值、食材保质期名次数值、食材价格数值和食材的营养素密度数值。
CN202111566998.8A 2021-12-20 2021-12-20 基于营养健康理念的多因素排餐装置及方法 Pending CN116343992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111566998.8A CN116343992A (zh) 2021-12-20 2021-12-20 基于营养健康理念的多因素排餐装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111566998.8A CN116343992A (zh) 2021-12-20 2021-12-20 基于营养健康理念的多因素排餐装置及方法

Publications (1)

Publication Number Publication Date
CN116343992A true CN116343992A (zh) 2023-06-27

Family

ID=86874703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111566998.8A Pending CN116343992A (zh) 2021-12-20 2021-12-20 基于营养健康理念的多因素排餐装置及方法

Country Status (1)

Country Link
CN (1) CN116343992A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575849A (zh) * 2024-01-17 2024-02-20 广东优信无限网络股份有限公司 一种团餐排餐处理方法、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575849A (zh) * 2024-01-17 2024-02-20 广东优信无限网络股份有限公司 一种团餐排餐处理方法、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
Blomhoff et al. Nordic Nutrition Recommendations 2023: integrating environmental aspects
Krebs-Smith et al. Update of the healthy eating index: HEI-2015
Huth et al. Major food sources of calories, added sugars, and saturated fat and their contribution to essential nutrient intakes in the US diet: data from the National Health and Nutrition Examination Survey (2003–2006)
Baghurst et al. A computerised dietary analysis system for use with diet diaries or food frequency questionnaires
Deshmukh-Taskar et al. Do breakfast skipping and breakfast type affect energy intake, nutrient intake, nutrient adequacy, and diet quality in young adults? NHANES 1999–2002
Ayala et al. A systematic review of the relationship between acculturation and diet among Latinos in the United States: implications for future research
Kaiser et al. Food security and nutritional outcomes of preschool-age Mexican-American children
Crepinsek et al. Meals offered and served in US public schools: do they meet nutrient standards?
Batres-Marquez et al. Rice consumption in the United States: recent evidence from food consumption surveys
CN111161838B (zh) 一种适用于学生的合理膳食方法及指导系统
US20220230730A1 (en) Recipe recommendation method and device, computing device and storage medium
Fehrenbach et al. A critical examination of the available data sources for estimating meat and protein consumption in the USA
Kronebusch et al. The impact of conditional cash transfers on nutrition outcomes: Experimental evidence from Mexico
Lin et al. Methodology for adding glycemic index to the National Health and Nutrition Examination Survey nutrient database
Medina‐Albaladejo et al. Unequal access to food during the nutritional transition: evidence from Mediterranean Spain
Probst et al. An overview of the influential developments and stakeholders within the food composition program of Australia
Campbell et al. Sources and correlates of sodium consumption in the first 2 years of life
Gizaw et al. Minimum acceptable diet and factor associated with it among infant and young children age 6-23 months in north Shoa, Oromia region, Ethiopia
Bracci et al. A comparison of dietary quality and nutritional adequacy of popular energy-restricted diets against the Australian Guide to Healthy Eating and the Mediterranean Diet
Shai et al. Adaptation of international nutrition databases and data-entry system tools to a specific population
Shyam et al. Adding glycaemic index and glycaemic load functionality to DietPLUS, a Malaysian food composition database and diet intake calculator
Sneed et al. Reliability and validity of assigning ultraprocessed food categories to 24-h dietary recall data
CN116343992A (zh) 基于营养健康理念的多因素排餐装置及方法
Church EuroFIR synthesis report No 7: Food composition explained
Lividini et al. Tracing global flows of bioactive compounds from farm to fork in nutrient balance sheets can help guide intervention towards healthier food supplies

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