一种基于人工智能的营养餐运输管理系统及方法技术方案

本发明专利技术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。并存储到对应数据库中。并存储到对应数据库中。

【技术实现步骤摘要】
一种基于人工智能的营养餐运输管理系统及方法


[0001]本专利技术涉及营养餐运输管理
，具体为一种基于人工智能的营养餐运输管理系统及方法。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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
技术介绍
中提出的问题。
[0004]为了解决上述技术问题，本专利技术提供如下技术方案：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。
[0005]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。
[0006]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。
[0007]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。分析行径路况是本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：罗红艳，曾志成，
申请(专利权)人：深圳鸿博智成科技有限公司，
类型：发明
国别省市：