[发明专利]一种餐厅预估快速上菜的方法、装置及存储介质

说明书

本发明公开了一种餐厅预估快速上菜的方法、装置及存储介质，获取多个场景的历史服务数据，并对所述服务数据预处理，以分别建立所有场景的场景参数库；构建不同场景的参数库，并基于该不同场景的参数库分别按照顾客最终上菜菜单相似度进行区间聚类，将不同场景分配至不同的区间类；在不同的就餐时间段内进行时间区间的聚类，提取上菜菜单预测就餐时间段内的上菜菜单数据，输入BP神经网络进行非线性拟合，以获得区间类中的上菜菜单预测就餐时间段的预测模型，完成对所述BP神经网络的训练；对不同场景的预测结果设置不同权重，并对上菜菜单的菜品预测加权得到最终菜单预测结果；以此通过点菜环节的协调控制缩短上菜速度。

技术领域

本发明涉及烹饪自动化技术领域，尤其涉及一种餐厅预估快速上菜的方法、装置及存储介质。

背景技术

随着信息技术的不断发展，中国的餐厅开始由传统人工向信息化转型，网上预约订餐由于其特有的便捷性逐渐进入人们的生活，通过将发送预约订单的客户端与接收预约订单的服务器建立连接，餐厅便可从服务器获取客户的订单信息。然而，现有的网上订餐方式仅仅只能满足用户查看菜单和价钱等餐厅的基本情况，使得身在餐厅之外的用户无法了解餐厅的实时信息，导致用户到店就餐体验不理想。

在餐饮业的服务中，如何为众口难调的顾客推荐令其满意的菜品，一直是餐饮业追求的目标。由于每家餐馆的风味特色不同，就餐者的偏好、就餐人数、就餐标准等等也各有不同，因此很难找到一种普遍适用的方法来满足每家餐馆和每位顾客的就餐需求。

在现有技术中的菜品推荐系统或方法，往往只是商家根据其经验总结出的一套人为制定的规律，这种规律由于掺杂了过多的人为主观评价标准，因此通常只适合于特定时期、特定口味类型的餐馆或特定的就餐人群。对于某些新开业的餐馆来说，这些经验往往并不适用。另外，由于现有的餐馆在吸引顾客时并无法获知顾客的个性化需求，因此同样的推荐菜品可能是十分盲目的，而且由于菜量、价格、口味等等因素而并不适合所有就餐的人群，不仅耗费了餐馆的精力，而且无法给就餐顾客提供很好的就餐体验。

随着互联网技术和云计算技术的发展，越来越多传统的靠人力总结的经验可以被数据挖掘技术所代替。数据挖掘(Data mining)是数据库知识发现中的一种方法，一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。数据挖掘还可以作为一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。因此，需要一种能利用数据挖掘技术的菜品推荐系统和方法，能有效地解决现有技术中菜品推荐盲目性的问题，从而提高就餐者的用餐体验。

发明内容

本发明旨在至少解决现有技术中存在的技术问题。为此，本发明公开了一种餐厅预估快速上菜的方法，获取多个场景的历史服务数据，并对所述服务数据预处理，以分别建立所有场景的场景参数库；所述场景包括：顾客进入餐厅场景、顾客点餐场景、后厨准备场景；构建不同场景的参数库，并基于该不同场景的参数库分别按照顾客最终上菜菜单相似度进行区间聚类，将不同场景分配至不同的区间类；将历史服务数据划分为多个就餐时间段，从所述顾客最终上菜菜单的记录中获取区间类在历史期间内的不同就餐时间段中的菜单情况，并在不同的就餐时间段内进行时间区间的聚类，以使所述多个基础时间段聚类至不同的订单预测基准时间段；提取上菜菜单预测就餐时间段内的上菜菜单数据，输入BP神经网络进行非线性拟合，以获得区间类中的上菜菜单预测就餐时间段的预测模型，完成对所述BP神经网络的训练；对不同场景的预测结果设置不同权重，并对上菜菜单的菜品预测加权得到最终菜单预测结果；以此通过点菜环节的协调控制缩短上菜速度。

更进一步地，所述顾客进入餐厅场景，通过图像捕捉技术获得就餐人数、顾客性别、年龄、体型，并基于上述参数通过BP神经网络得到初步预测菜单。