[发明专利]一种基于大数据模型的餐饮油烟预测方法

权利要求书

1.一种基于大数据模型的餐饮油烟预测方法，其特征在于，包括以下步骤：

S1，获取待处理数据，将获取的待处理数据形成待处理数据库；

S2，对待处理数据库中的数据进行粗筛选和精筛选，将筛选出的异常数据排除于待处理数据库；得到处理数据库；

S3，将处理数据库中的数据划分为M个训练集和N个测试集；所述M、N为大于或者等于1的正整数，将M个训练集中的数据依次加载到原始学习模型中进行训练，获得目标学习模型；

S4，将采集的数据输入目标学习模型中得到油烟预测值。

2.根据权利要求1所述的基于大数据模型的餐饮油烟预测方法，其特征在于，在步骤S2中，数据粗筛方法为：

其中，∑^-1表示∑的逆矩阵，|∑|表示协方差矩阵的行列式值，μ表示方差；X＝x₁,x₂,x₃,…,x_k；(X-μ)^T为(X-μ)的转置矩阵；

exp(Q)表示以自然底数e为底数，Q为指数的指数函数；

x_l表示在定量化数据库中，数据类型序号排序为l的数据；所述l为小于或者等于k的正整数；

其中，p为预设异常数据阈值；

不满足不等式的数据列为异常数据点，将异常数据排除于待处理数据库。

3.根据权利要求2所述的基于大数据模型的餐饮油烟预测方法，其特征在于，在步骤S2中，数据精筛的方法为：

S21，解析定量化数据库中的数据文件；

S22，计算每个点与其他所有点之间的欧几里德距离，计算每个点的k-距离值；

S23，对所有点的k-距离集合进行升序排序，输出排序后的k-距离值；

S24，将所有点的k-距离值，在Excel中用散点图显示k-距离变化趋势；

S25，根据散点图确定半径Eps的值；

S26，根据给定最少点的数量MinPts，以及半径Eps的值，计算所有核心点，并建立核心点与到核心点距离小于半径Eps的点的映射；

S27，根据得到的核心点集合，以及半径Eps的值，计算能够连通的核心点，得到噪声点；该噪声点即为异常数据；将噪声点排除于待处理数据库。

4.根据权利要求1所述的基于大数据模型的餐饮油烟预测方法，其特征在于，在步骤S2中，M个训练集分别为第1训练集、第2训练集、第3训练集、……、第M训练集，N个测试集分别为第1测试集、第2测试集、第3测试集、……、第N测试集，({A₁,A₂,A₃,…,A_M}∪{B₁,B₂,B₃,…,B_N})＝C，A_i表示第i训练集，所述i为小于或者等于M的正整数，B_j表示第j测试集，所述j为小于或者等于N的正整数，C表示处理数据库。

5.根据权利要求1所述的基于大数据模型的餐饮油烟预测方法，其特征在于，在步骤S3中，原始学习模型为随机森林、LightGBM、XGBoost、catBoost之一或者任意组合。

6.根据权利要求1所述的基于大数据模型的餐饮油烟预测方法，其特征在于，还包括步骤S5，

S5，若油烟预测值大于或者等于预设油烟阈值，则云端服务器向智能终端发送报警区域。