System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及采购预测领域,更具体地,涉及一种基于大数据技术的食堂智能采购方法、电子设备及介质。
技术介绍
1、随着感应智能卡技术的广泛应用,食堂取代了纸币、饭票等,实现了刷卡就餐、充值、自动扣费等自动化管理,虽然食堂达到了一定程度的智能化管理,但食堂同时也面临如何节省经营成本,如何精准备餐,如何确保采购的食材有量有节,如何提高用餐人员对菜品的满意等问题。
2、目前市场上实现食堂精准采购食材的方法有两种:一种是使用订餐或点餐系统来确定精确用餐人数和菜品销售份数。此种方法可以精确到每道菜品每日的销售量,根据预测菜品的销售量,如各种餐饮店等,都通过外卖、点餐等记录具体每份菜品,此种方式对于堂食的食堂无法进行分析预测。另外一种是根据具体人数来确定采购食材数量,如学校、医院、公司、机关单位的食堂由于没有订餐系统,无法知道具体用餐人数,只能根据当前单位的人数进行采购,如果是周六日、节假日、寒暑假等人数不固定,也可能由于天气等因素影响,不能精确地预测菜品食材的采购,造成食材采购过多导致浪费,增加食堂采购成本。
3、因此,有必要开发一种基于大数据技术的食堂智能采购方法、电子设备及介质。
4、公开于本专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术的一般
技术介绍
的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
1、本专利技术提出了一种基于大数据技术的食堂智能采购方法、电子设备及介质,对菜品食材进行采集和深入
2、第一方面,本公开实施例提供了一种基于大数据技术的食堂智能采购方法,包括:
3、获取原始数据,包括菜品日销售数据,每日天气数据;
4、针对所述原始数据进行预处理,针对预处理后的数据进行数据特征分析,获得每个特征的贡献占比;
5、构建arima时间序列模型,基于时间相关的数据特征预测第一菜品销量;
6、构建lstm网络模型,基于除时间之外相关的数据特征预测第二菜品销量;
7、确定所述第一菜品销量与所述第二菜品销量的权重,计算最终的预测结果。
8、优选地,所述预处理包括去除冗余数据、处理缺失值、数据聚合处理、将非数值型数据转化为数值型数据。
9、优选地,针对预处理后的数据进行数据特征分析,获得每个特征的贡献占比包括:
10、所述预处理后的数据由每样菜品的日销售量和天气状况及日期情况组成;
11、所述数据特征包括日期、菜品id、星期类型、天气状况、气温、日期属性、销售量;
12、将上述特征的数据值进行归一化处理,获得每个特征的贡献占比。
13、优选地,构建arima时间序列模型,基于时间相关的数据特征预测第一菜品销量包括:
14、从预处理后的数据中随机抽取菜品,根据该菜品的日销售数据,查看时序图是否是平稳序列,根据adf单位根检验费对菜品日销售量进行平稳性检测,通过构造检验统计量判断序列的平稳性;
15、若菜品日销售量序列为非平稳序列,则对其进行平稳性处理;
16、使用信息准则定阶进行时间序列定阶,根据差分序列,通过arma模型进行拟合,根据bic准则得到最优模型;
17、得到原序列的最优化拟合模型并进行评价,得到最终的arima时间序列模型;
18、根据最终的arima时间序列模型,基于时间相关的数据特征预测第一菜品销量。
19、优选地,得到原序列的最优化拟合模型并进行评价包括:
20、根据qq图检验残差是否满足正态分布,如果是,则说明数据的均值为0,方差为常数,是一个纯随机序列。
21、优选地,构建lstm网络模型,基于除时间之外相关的数据特征预测第二菜品销量包括:
22、将除时间之外相关的数据特征进行归一化处理后作为特征值输入;
23、将输入的数据集合分为训练集和测试集,配置lstm模型的训练参数;
24、配置完毕后,调用模型训练函数进行训练,将训练后的lstm网络模型;
25、根据训练后的lstm网络模型,采用多序列预测方法进行销量预测。
26、优选地,根据训练后的lstm网络模型,采用多序列预测方法进行销量预测包括:
27、首先将测试数据初始化为一定序列的测试窗口,预测下一天销售量,将预测得到这个销售量加入到创建偶中,生成相同序列长度的新窗口,循环往复,当窗口中数据全部由过去预测点组成停止,再以一个完成窗口长度向前移动,用真实测试数据重置窗口,再重新启动该过程。
28、优选地,确定所述第一菜品销量与所述第二菜品销量的权重包括:
29、得到所述arima时间序列模型和所述lstm网络模型预测的误差方差;
30、根据误差倒数加权平均法,分别计算所述arima时间序列模型和所述lstm网络模型的权重;
31、所述arima时间序列模型的权重即为所述第一菜品销量的权重,所述lstm网络模型的权重即为所述第二菜品销量的权重。
32、第二方面,本公开实施例还提供了一种电子设备,该电子设备包括:
33、存储器,存储有可执行指令;
34、处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的基于大数据技术的食堂智能采购方法。
35、第三方面,本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的基于大数据技术的食堂智能采购方法。
36、其有益效果在于:
37、1.构建arima时间序列和lstm网络两种方式的组合模型,组合模型基于等权重法和误差倒数法组合的模型,预测精准度更高;
38、2.除了使用每日菜品销售量来预测外,也加入了外界如天气、季节、温度、节假日等因素,来预测食材采购量,进一步提升模型预测的准确性;
39、3.通过食材采购、库存等数据分析计算菜品日销售量;
40、4.根据预测菜品销售量,结合菜品所需食材的消耗量,计算出每种菜品所需食材总消耗,并自动生成采购计划。
41、本专利技术的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本专利技术的特定原理。
本文档来自技高网...【技术保护点】
1.一种基于大数据技术的食堂智能采购方法,其特征在于,包括:
2.根据权利要求1所述的基于大数据技术的食堂智能采购方法,其中,所述预处理包括去除冗余数据、处理缺失值、数据聚合处理、将非数值型数据转化为数值型数据。
3.根据权利要求1所述的基于大数据技术的食堂智能采购方法,其中,针对预处理后的数据进行数据特征分析,获得每个特征的贡献占比包括:
4.根据权利要求1所述的基于大数据技术的食堂智能采购方法,其中,构建ARIMA时间序列模型,基于时间相关的数据特征预测第一菜品销量包括:
5.根据权利要求4所述的基于大数据技术的食堂智能采购方法,其中,得到原序列的最优化拟合模型并进行评价包括:
6.根据权利要求1所述的基于大数据技术的食堂智能采购方法,其中,构建LSTM网络模型,基于除时间之外相关的数据特征预测第二菜品销量包括:
7.根据权利要求6所述的基于大数据技术的食堂智能采购方法,其中,根据训练后的LSTM网络模型,采用多序列预测方法进行销量预测包括:
8.根据权利要求1所述的基于大数据技术的食堂智能采
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-8中任一项所述的基于大数据技术的食堂智能采购方法。
...【技术特征摘要】
1.一种基于大数据技术的食堂智能采购方法,其特征在于,包括:
2.根据权利要求1所述的基于大数据技术的食堂智能采购方法,其中,所述预处理包括去除冗余数据、处理缺失值、数据聚合处理、将非数值型数据转化为数值型数据。
3.根据权利要求1所述的基于大数据技术的食堂智能采购方法,其中,针对预处理后的数据进行数据特征分析,获得每个特征的贡献占比包括:
4.根据权利要求1所述的基于大数据技术的食堂智能采购方法,其中,构建arima时间序列模型,基于时间相关的数据特征预测第一菜品销量包括:
5.根据权利要求4所述的基于大数据技术的食堂智能采购方法,其中,得到原序列的最优化拟合模型并进行评价包括:
6....
【专利技术属性】
技术研发人员:王英军,
申请(专利权)人:华迪计算机集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。