本發(fā)明涉及基于神經(jīng)網(wǎng)絡的訂單數(shù)據(jù)預測，具體而言，涉及一種餐飲備料預測方法及系統(tǒng)。

背景技術(shù)：

1、餐飲業(yè)每天需要面對大量的菜品訂單，進行備料是每天都需要做的工作。

2、基于預測訂單去進行準確備料具備一定的挑戰(zhàn)性?；诳梢灶A測狀態(tài)的簡單神經(jīng)網(wǎng)絡采用采集的數(shù)據(jù)序列進行狀態(tài)預測也難以保證準確捕捉到序列變化特征，尤其對于狀態(tài)預測的時間粒度選擇是一個難題，較小的時間粒度可以捕捉到更多局部的數(shù)據(jù)變化特征，但是數(shù)據(jù)噪聲也更大、全局性能差，較大的數(shù)據(jù)粒度噪聲影響減小且更易于捕捉全局波動趨勢，但是局部波動捕捉能力變?nèi)?。通過融合局部和全局結(jié)果有助于獲取更好的結(jié)果，但是由于局部和全局預測包含的特征較為復雜，例如時間周期包括季節(jié)月份節(jié)假日等，還有菜品折扣活動及上新嘗鮮等，在實際計算中如何融合得以更好保留不同時間粒度捕捉到的隱含特征具備一定挑戰(zhàn)性。

3、因此，本發(fā)明需要優(yōu)化對餐飲訂單的預測，實現(xiàn)通過局部和全局融合更準確全面進行菜品訂單預測以進行更好的餐飲備料。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種餐飲備料預測方法及系統(tǒng)，其可以實現(xiàn)通過局部和全局融合更準確全面綜合全局和局部的特征來進行菜品訂單預測以進行更好的餐飲備料。

2、本發(fā)明通過以下技術(shù)方案實現(xiàn)：

3、本發(fā)明首先提供一種餐飲備料預測方法，包括以下步驟：

4、通過預測模型對基于不同時間粒度的下一階段的訂單量進行預測，得到基于第一時間粒度預測的第一訂單預測結(jié)果、基于第二時間粒度預測的第二訂單預測結(jié)果以及第三時間粒度預測的第三訂單預測結(jié)果，且時間粒度越大，通過預測模型對下一階段的訂單量進行預測采樣的數(shù)據(jù)對應的總天數(shù)越多；

5、分別獲取第一時間粒度、第二時間粒度和第三時間粒度的粒度參與度π1、π2和π3，所述粒度參與度用于衡量當前預測中對應時間粒度的預測結(jié)果的數(shù)值可靠性，所述粒度參與度越高代表所述數(shù)值可靠性越高；

6、獲取最終訂單預測結(jié)果，并根據(jù)所述最終訂單預測結(jié)果獲取備料數(shù)值。

7、優(yōu)選地，所述通過預測模型對下一階段的訂單量進行預測的方法為：

8、分別獲取基于對應時間粒度的連續(xù)多個階段的每種菜品的實際訂單量；

9、基于lstm模型分別輸出預測的下一階段的每種菜品的訂單量。

10、優(yōu)選地，所述分別獲取第一時間粒度、第二時間粒度和第三時間粒度的粒度參與度π1、π2和π3的方法為：

11、獲取基于對應時間粒度的連續(xù)多個階段的每種菜品的實際訂單量數(shù)組：

12、

13、其中，代表基于第i時間粒度的連續(xù)多個階段的編號為j的菜品的實際訂單量數(shù)組，代表基于第i時間粒度的第st個階段的編號為j的菜品的實際訂單量，st＝1,2,…,n,n為總階段數(shù)，每個時間粒度下n的取值不同；

14、獲取訂單影響因素參數(shù)；

15、基于所述和所述訂單影響因素參數(shù)獲取所述粒度參與度。

16、優(yōu)選地，所述獲取訂單影響因素參數(shù)的方法為：

17、獲取菜品折扣窗口參數(shù)：

18、

19、其中，代表基于第i時間粒度的連續(xù)多個階段的編號為j的菜品的菜品折扣窗口參數(shù),prj為編號為j的菜品的原價，disi,j,d％為編號為j的菜品在所述基于第i時間粒度的連續(xù)多個階段中的第d天的折扣值，di為基于第i時間粒度的連續(xù)多個階段的總天數(shù),disi,d2now為基于第i時間粒度的連續(xù)多個階段中的第d天距離現(xiàn)在的天數(shù)，τ為經(jīng)驗時間系數(shù)；

20、獲取菜品上新參數(shù)：

21、

22、2≤α≤2.5；

23、其中，代表基于第i時間粒度的連續(xù)多個階段的編號為j的菜品的菜品上新參數(shù)，agi,j,d為編號為j的菜品在所述基于第i時間粒度的連續(xù)多個階段中的第d天時距離其第一次推出的天數(shù)，α為第一調(diào)節(jié)系數(shù)，β為第二調(diào)節(jié)系數(shù)，e為自然常數(shù)。

24、優(yōu)選地，所述第二調(diào)節(jié)系數(shù)β的獲取方法為：

25、自編號為j的菜品第一次推出起連續(xù)記錄每天自編號為j的菜品的訂單量；

26、建立訂單量方程：

27、

28、其中，naj,u為編號為j的菜品第一次推出起第u天的訂單量，naj,v為編號為j的菜品第一次推出起第v天的訂單量,u為待求解天數(shù)，δ為經(jīng)驗閾值；

29、求解得到u的取值范圍，取其最小值umin；

30、獲取所述第二調(diào)節(jié)系數(shù)β的取值范圍：

31、

32、優(yōu)選地，基于所述和所述訂單影響因素參數(shù)獲取所述粒度參與度的方法為：

33、

34、其中，πi′為中間參數(shù)，ωi為第i時間粒度在三個所述時間粒度中按照時間粒度大小自小到達排列的序號，j為菜品總數(shù)。

35、優(yōu)選地，所述獲取最終訂單預測結(jié)果的方法為：

36、

37、其中，prj為編號為j的菜品的最終訂單預測結(jié)果，為編號為j的菜品的第i訂單預測結(jié)果，alldi為第i時間粒度的一個階段包含的天數(shù)。

38、優(yōu)選地，所述第一時間粒度為天，所述第二時間粒度為周，所述第三時間粒度為月。

39、本發(fā)明還提供一種餐飲備料預測系統(tǒng)，應用于以上任意一項所述的一種餐飲備料預測方法，包括：

40、第一預測模塊，用于基于第一時間粒度通過預測模型對下一階段的訂單量進行預測，得到第一訂單預測結(jié)果；

41、第二預測模塊，用于基于第二時間粒度通過預測模型對下一階段的訂單量進行預測，得到第二訂單預測結(jié)果；

42、第三預測模塊，用于基于第三時間粒度通過預測模型對下一階段的訂單量進行預測，得到第三訂單預測結(jié)果；

43、粒度參與度用獲取模塊，用于分別獲取第一時間粒度π1、第二時間粒度π2和第三時間粒度的粒度參與度π3，所述粒度參與度用于衡量當前預測中對應時間粒度的預測結(jié)果的數(shù)值可靠性，所述粒度參與度越高代表所述數(shù)值可靠性越高；

44、最終預測模塊，用于獲取最終訂單預測結(jié)果，并根據(jù)所述最終訂單預測結(jié)果獲取備料數(shù)值。

45、本發(fā)明實施例的技術(shù)方案至少具有如下優(yōu)點和有益效果：

46、本發(fā)明融合不同時間粒度的訂單預測結(jié)果，通過不同時間粒度的數(shù)據(jù)能夠捕捉到訂單量中的不同層次的特征，利用短期波動和長期趨勢的綜合信息，提高整體預測的精度；

47、本發(fā)明為不同時間粒度賦予不同的權(quán)重來進行預測結(jié)果的融合，可以有效地綜合不同時間粒度的優(yōu)勢，從而進一步提升整體預測的精確度和適應性；

48、本發(fā)明基于數(shù)據(jù)浮動情況以及影響數(shù)據(jù)的因素情況來確定權(quán)重，可以更靈活進行融合調(diào)整，確定不同場景和時間下不同時間粒度的可靠性差異，進一步提升融合預測結(jié)果的準確性；

49、本發(fā)明設計合理，可以利用現(xiàn)有神經(jīng)網(wǎng)絡進行不同時間粒度的預測再進行處理，步驟搭建容易實現(xiàn)，易于應用和實施到不同類型和條件的餐飲機構(gòu)，具備很強的適用性和可推廣性。