申请/专利权人:大头(广州)软件技术有限公司
申请日:2023-11-20
公开(公告)日:2024-04-16
公开(公告)号:CN117557289B
主分类号:G06Q30/0201
分类号:G06Q30/0201;G06Q30/0202;G06Q50/12;G06F18/15;G06F18/213;G06N3/0442;G06N3/048;G06N3/084
优先权:
专利状态码:有效-授权
法律状态:2024.04.16#授权;2024.03.01#实质审查的生效;2024.02.13#公开
摘要:本发明提出了一种基于智能营销场景的餐饮数据建模方法及系统,该方法首先将餐饮数据信息分为三类,并进行归一化处理,获取第一类数据信息和第二类数据信息的特征信息数据;并将获取的特征信息数据和第三类数据信息相结合,构成餐饮数据信息样本集;将餐饮数据信息样本集通过LSTM神经网络进行训练,获取神经网络模型;最后,通过与预测的餐饮数据信息不同的实际当天的餐饮数据信息对预测前的神经网络模型进行优化,不断优化神经网络模型,并通过优化的神经网络模型预测未来多天的餐饮数据信息;本发明提出了对餐饮行业神经网络模型更新和优化的方法,避免了神经网络模型因餐饮行业模式的改变和客户就餐习惯的改变造成预测值越来越不准确的情况。
主权项:1.一种基于智能营销场景的餐饮数据建模方法,其特征在于,所述方法包括:1)采集近三年内的餐饮数据信息;所述餐饮数据信息包括:第一类数据信息、第二类数据信息和第三类数据信息;所述第一类数据信息为商家菜品卖出数据信息,包括:菜品总量信息和各菜品种类对应数量;所述第二类数据信息为客户用餐数据信息,包括:老客户就餐人次和新客户就餐人次;所述第三类数据信息为一段时间内与第一类数据信息和第二类数据信息对应的利润信息;2)以每一天为单位,分别对第一类数据信息和第二类数据信息进行归一化处理,获取第一类数据信息和第二类数据信息的特征信息数据;将归一化处理后的第一类数据信息和第二类数据信息的特征信息数据与第三类数据信息相结合,构成餐饮数据信息样本集{(Xi,Yi)}其中,Xi表示由第一类数据信息和第二类数据信息的特征信息数据组成的向量,Yi表示与向量Xi对应的利润信息;3)将得到的餐饮数据信息样本集{(Xi,Yi)}输入LSTM神经网络进行训练,得到训练好的神经网络模型,其中,Xi作为LSTM神经网络的输入序列,Yi对LSTM神经网络对应的目标序列;所述将得到的餐饮数据信息样本集{(Xi,Yi)}输入LSTM神经网络进行训练的训练过程为:a)将样本集{(Xi,Yi)}输入LSTM神经网络,获取模型的输出;b)将模型的输出和目标序列进行比较,计算损失函数值;c)使用反向传播法计算梯度,并利用优化器更新模型参数,以减少损失函数的值;d)重复以上步骤,直到达到训练的指定条件,则停止训练,获取神经网络模型;4)通过训练好的神经网络模型对未来第一天的餐饮数据信息进行预测,并根据实际当天的经营情况,获取实际当天的餐饮数据信息;随后,将预测的餐饮数据信息和实际当天的餐饮数据信息进行对比,若预测的餐饮数据信息和实际当天的餐饮数据信息不同;则通过与预测的餐饮数据信息不同的实际当天的餐饮数据信息对预测前的神经网络模型进行优化,不断优化神经网络模型;5)通过优化的神经网络模型预测未来多天的餐饮数据信息;预测的方法为:首先,通过优化的神经网络模型,对未来第一天的餐饮数据信息进行预测;随后,将预测的未来第一天的餐饮数据信息作为训练集的数据预测未来第二天的餐饮数据信息;通过不断重复预测,得到未来多天的餐饮数据信息;获取未来多天的餐饮数据信息后,恢复预测前的神经网络模型。
全文数据:
权利要求:
百度查询: 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
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。