一种午餐就餐人数预测方法和装置制造方法及图纸

本发明专利技术提供了一种午餐就餐人数预测方法和装置，属于人工智能，该方法包括：确定午餐就餐人数影响因素数据；根据午餐就餐人数影响因素数据，确定输入向量；根据输入向量，利用训练好的循环神经网络RNN模型，确定午餐就餐人数。本发明专利技术将影响午餐就餐人数影响因素数据作为输入向量，输入训练好的循环神经网络RNN模型进行预测，可以准确的得出午餐就餐人数。可以准确的得出午餐就餐人数。可以准确的得出午餐就餐人数。

【技术实现步骤摘要】
一种午餐就餐人数预测方法和装置


[0001]本专利技术涉及人工智能
，尤其涉及一种午餐就餐人数预测方法和装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]目前餐饮业仍然存在浪费现象，尤其是食堂存在较为严重的浪费问题，这种浪费的很大一部分原因就是食堂的主厨人员无法准确估计就餐人数，往往都会多做一部分饭菜导致餐饮浪费。因为大部分员工都会选择午餐在公司就餐，但是早餐和晚餐不一定，因此基于早餐和晚餐的就餐人数预估午餐就餐人数会存在较大的误差，导致主厨人员无法准确准备食材的分量从而造成浪费。
[0004]因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。

技术实现思路

[0005]本专利技术实施例提供一种午餐就餐人数预测方法，将影响午餐就餐人数影响因素数据作为输入向量，输入训练好的循环神经网络RNN模型进行预测，可以准确的得出午餐就餐人数，该方法包括：
[0006]确定午餐就餐人数影响因素数据；
[0007]根据午餐就餐人数影响因素数据，确定输入向量；
[0008]根据输入向量，利用训练好的循环神经网络RNN模型，确定午餐就餐人数。
[0009]本专利技术实施例还提供一种午餐就餐人数预测装置，包括：
[0010]午餐就餐人数影响因素数据确定模块，用于确定午餐就餐人数影响因素数据；
[0011]输入向量确定模块，用于根据午餐就餐人数影响因素数据，确定输入向量；
[0012]午餐就餐人数预测模块，用于根据输入向量，利用训练好的循环神经网络RNN模型，确定午餐就餐人数。
[0013]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种午餐就餐人数预测方法。
[0014]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种午餐就餐人数预测方法。
[0015]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述一种午餐就餐人数预测方法。
[0016]本专利技术实施例提供的一种午餐就餐人数预测方法和装置，包括：确定午餐就餐人数影响因素数据；根据午餐就餐人数影响因素数据，确定输入向量；根据输入向量，利用训练好的循环神经网络RNN模型，确定午餐就餐人数。本专利技术实施例提供一种基于循环神经网
络RNN模型的午餐就餐人数预测方案，将影响午餐就餐人数影响因素数据作为输入向量，输入训练好的循环神经网络RNN模型进行预测，可以准确的得出午餐就餐人数，给食堂主厨人员提供参考。这样食堂就可以根据人数提供饭菜，控制整体餐量，可以在很大程度上减少食物浪费。
附图说明
[0017]为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0018]图1为本专利技术实施例一种午餐就餐人数预测方法示意图。
[0019]图2为本专利技术实施例一种午餐就餐人数预测方法的循环神经网络RNN模型示意图。
[0020]图3为本专利技术实施例一种午餐就餐人数预测方法的循环神经网络RNN模型的展开示意图。
[0021]图4为本专利技术实施例一种午餐就餐人数预测方法的反向传播训练过程示意图。
[0022]图5为运行本专利技术实施的一种午餐就餐人数预测方法的计算机设备示意图。
[0023]图6为本专利技术实施例一种午餐就餐人数预测装置示意图。
具体实施方式
[0024]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0025]图1为本专利技术实施例一种午餐就餐人数预测方法示意图，如图1所示，本专利技术实施例提供一种午餐就餐人数预测方法，将影响午餐就餐人数影响因素数据作为输入向量，输入训练好的循环神经网络RNN模型进行预测，可以准确的得出午餐就餐人数，该方法包括：
[0026]步骤101：确定午餐就餐人数影响因素数据；
[0027]步骤102：根据午餐就餐人数影响因素数据，确定输入向量；
[0028]步骤103：根据输入向量，利用训练好的循环神经网络RNN模型，确定午餐就餐人数。
[0029]本专利技术实施例提供的一种午餐就餐人数预测方法，包括：确定午餐就餐人数影响因素数据；根据午餐就餐人数影响因素数据，确定输入向量；根据输入向量，利用训练好的循环神经网络RNN模型，确定午餐就餐人数。本专利技术实施例提供一种基于循环神经网络RNN模型的午餐就餐人数预测方案，将影响午餐就餐人数影响因素数据作为输入向量，输入训练好的循环神经网络RNN模型进行预测，可以准确的得出午餐就餐人数，给食堂主厨人员提供参考。这样食堂就可以根据人数提供饭菜，控制整体餐量，可以在很大程度上减少食物浪费。
[0030]RNN：循环神经网络，全称是Recurrent Neural Network。它是一类专门用于处理时序数据样本的神经网络，它的每一层不仅输出给下一层，同时还输出一个隐状态，给当前层在处理下一个样本时使用。就像卷积神经网络可以很容易的扩展到具有很大宽度和高度
的图像，循环神经网络可以扩展到更长的序列数据。它可以看作是自带循环反馈的全连接神经网络。
[0031]在现有的午餐就餐人数预测方案，是根据食堂餐卡的消费情况，使用一种基于马尔科夫模型的就餐人数预测研究方法。首先，通过计算早餐就餐行为得到初始概率；其次，分别通过计算早、午餐和午、晚餐就餐行为得到早餐午餐概率转移矩阵和午餐晚餐概率转移矩阵；最后，根据初始概率和概率转移矩阵构建的模型预测三餐的就餐人数。
[0032]以上的预测方案中，存在一定的技术缺陷。
[0033]首先，马尔科夫模型的使用前提是，在任何期间或任何状态下，变量的下一时刻的状态仅与上一时刻的状态有关，与之前时刻的状态无关。该方案认为午餐是否就餐的行为只与早餐有关，晚餐是否就餐的行为只与午餐有关，然而很多人都有不吃早餐的习惯，晚饭也会有很多人回家吃饭。所以早餐就餐人数少不代表午餐就餐人少少，而午餐就餐人数多也不代表晚餐就餐人数多。因此以上方案的假设并不是很符合客观现实，那么基于此假设的方案也不具说服力。
[0034]其次，基于马尔科夫模型的就餐人数预测研究方法认为午餐是否就餐的行为只与早餐有关，晚餐是否就餐的行为只与午餐有关。然而，影响餐厅就餐人数的因素有很多，比如当天早餐就餐人数，前一天午餐就餐人数，就餐当天是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种午餐就餐人数预测方法，其特征在于，包括：确定午餐就餐人数影响因素数据；根据午餐就餐人数影响因素数据，确定输入向量；根据输入向量，利用训练好的循环神经网络RNN模型，确定午餐就餐人数。2.如权利要求1所述的方法，其特征在于，确定午餐就餐人数影响因素数据，包括：获取多类型影响因素；所述多类型影响因素的每一影响因素对应有影响因素数据；所述影响因素数据，包括：连续型数据和离散型数据；对连续型数据的影响因素进行相关性分析，确定第一类相关性数据；将离散型数据的影响因素映射至图表中进行标注处理，确定第二类相关性数据；根据第一类相关性数据和第二类相关性数据，确定午餐就餐人数影响因素数据；所述午餐就餐人数影响因素数据，包括：当前早餐就餐人数信息，前一天午餐就餐人数信息，就餐当天是星期几，就餐当天是否节日。3.如权利要求2所述的方法，其特征在于，按照如下方式，确定第一类相关性数据：其中，X
i
为单一影响因素在每天的取值；X为全部连续型数据的影响因素的平均值；Y
i
为每天午餐的就餐人数；为收集的n天的就餐人数平均值；n为收集的天数，i∈n；cov(X,Y)为第一类相关性数据，表示影响因素X与午餐的就餐人数Y之间的相关性。4.如权利要求1所述的方法，其特征在于，根据午餐就餐人数影响因素数据，确定输入向量，包括：对午餐就餐人数影响因素数据进行遍历，对每一个影响因素进行数字化处理，确定每一个影响因素的分向量；将每一个影响因素的分向量进行拼合，确定输入向量。5.如权利要求1所述的方法，其特征在于，所述训练好的循环神经网络RNN模型的训练过程，包括：建立循环神经网络RNN模型；所述循环神经网络RNN模型，包括：输入层，隐藏层，输出层；将输入向量由输入层输入到循环神经网络RNN模型进行向前反馈训练和反向传播训练，调整参数后迭代进行梯度更新，直至梯度达到预设变化值停止迭代，输出训练好的循环神经网络RNN模型。6.如权利要求5所述的方法，其特征在于，所述输入层与隐藏层之间设有输入层到隐藏层权重矩阵，隐藏层设有隐藏层权重矩阵，隐藏层与输出层之间设有隐藏层到输出层权重矩阵；所述向前反馈训练，包括：将输入向量由输入层输入到循环神经网络RNN模型；输入向量乘以输入层到隐藏层权重矩阵加上当前时刻的上一时刻隐藏层的输出乘以隐藏层权重矩阵的和，在第一激活函数的作用下得到当前时刻隐藏层的输出；将当前时刻隐藏层的输出乘以隐藏层到输出层权重矩阵的积在第二激活函数的作用下得到当前时刻输出层输出值。
7.如权利要求5所述的方法，其特征在于，按照如下方式，进行向前反馈训练：O
t
＝g(V*f(U*X
t
+W*S
t
‑1))其中，O
t
为当前时刻输出层输出值；X
t
为t时刻的输入向量X；U为输入层到隐藏层权重矩阵；S
t
‑1为当前时刻t的上一时刻t
‑
1隐藏层的输出；W为隐藏层权重矩阵；f为第一激活函数；V为隐藏层到输出层权重矩阵；g为第二激活函数；*为乘。8.如权利要求6所述的方法，其特征在于，所述反向传播训练，包括：计算估计值与实际值之间的误差；所述估计值为循环神经网络RNN模型进行向前反馈得到的当前时刻输出层输出值，所述实际值为当天实际午餐就餐人数；将所述误差从输出层向隐藏层反向传播，直至传播到输入层；根据所述误差计算损失函数，使用损失函数对输入层到隐藏层权重矩阵、隐藏层权重矩阵和隐藏层到输出层权重矩阵分别求偏导，确定梯度；其中，在反向传播的过程中，根据误差调整参数的值，以使损失函数减小至预设阈值；使用梯度下降法对所述输入层到隐藏层权重矩阵、隐藏层权重矩阵和隐藏层到输出层权重矩阵进行更新迭代，直至梯度达到预设变化值停止迭代，完成权重更新，输出训练好的循环神经网络RNN模型。9.一种午餐就餐人数预测装置，其特征在于，包括：午餐就餐人数影响因素数据确定模块，用于确定午餐就餐人数影响因素数据；输入向量确定模块，用于根据午餐就餐人数影响因素数据，确定输入向量；午餐就餐人数预测模块，用于根据输入向量，利用训练好的循环神经网络RNN模型，确定午餐就餐人数。10.如权...

【专利技术属性】
技术研发人员：付中宇，邵玉杰，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：