[發明專利]一種基于大數據特征分析的云餐飲平臺及分析方法在審
| 申請號： | 201810808967.0 | 申請日： | 2018-07-15 |
| 公開（公告）號： | CN109102326A | 公開（公告）日： | 2018-12-28 |
| 發明（設計）人： | 任清元 | 申請（專利權）人： | 山東工業職業學院 |
| 主分類號： | G06Q30/02 | 分類號： | G06Q30/02;G06Q30/06;G06Q50/12 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 256414 山*** | 國省代碼： | 山東;37 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 餐飲 特征分析 大數據 分析 后臺管理系統 智能分析結果 參數設置 多次測試 服務系統 服務效率 工作效率 利潤空間 前端客戶 全面覆蓋 商業模式 商業目標 商業數據 深度分析 消費習慣 運營模式 智能分析 資源服務 菜品 收銀 算法 異業 生產成本 互通 餐廳 排隊 共享 顧客 節約 營銷 評估 配置 | ||
1.一種基于大數據特征分析的云餐飲平臺及分析方法，其特征在于，該基于大數據特征分析的云餐飲平臺的分析方法包括：
采用頻度統計推薦引擎算法、關聯規則推薦引擎算法和Markov鏈推薦引擎算法相結合的方式點餐；
菜品管理，訂單處理，商家管理，折扣管理；
對訂單數據采用多種數據建模算法分析消費者的用餐情況、酒水消費情況，通過可視化報表工具進行展現；
所述數據建模算法基于p-stable局部敏感哈希檢索數據樣式的多點訂單數據統計建模方法的具體步驟為：
(1)輸入訓練訂單數據TI，定義模擬實現R和數據樣板T的尺寸；
(2)設置分塊網格BGrid的尺寸，輸入p-stableLSH的參數，包括哈希桶寬W和哈希表數量N；
(3)以數據樣板T掃描訓練訂單數據TI，建立樣式數據庫PDB；
(4)基于分塊網格計算數據樣式pat的特征向量vpat，使用p-stableLSH計算特征向量vpat的哈希值hpat，建立數據樣式的哈希庫PLSHLIB；
(5)根據模擬實現R創建隨機路徑PRandom；
(6)如果隨機路徑PRandom里有未模擬節點u，進入步驟(7)的路徑；否則進入步驟(11)的路徑；
(7)提取節點u處的數據事件dev，統計數據事件的分塊網格塊內變量之和，得到數據事件的特征向量vdev，進行p-stableLSH計算，得到數據事件的哈希值hdev；
(8)從數據樣式哈希庫PLSHLIB中查詢所有哈希值等于hdev的數據樣式，構成目標數據樣式庫TPatDB；
(9)從目標數據樣式庫TPatDB查找與數據事件dev最相似的數據樣式pat；
(10)用數據樣式pat整體覆蓋并凍結模擬實現R的節點u區域；返回步驟(6)；
(11)模擬結束，輸出模擬實現R。
2.如權利要求1所述基于大數據特征分析的云餐飲平臺及分析方法，其特征在于，所述前端客戶端的點餐算法采用頻度統計推薦引擎算法、關聯規則推薦引擎算法和Markov鏈推薦引擎算法相結合的方式，對3個推薦引擎的初始推薦結果進行合并處理，產生最終的推薦結果。
3.如權利要求2所述基于大數據特征分析的云餐飲平臺及分析方法，其特征在于，所述頻度統計推薦引擎算法過程如下：
輸入：所有訂單數據，推薦列表長度N；
輸出：N個推薦得分最高的推薦菜品，每個菜品對應的推薦得分Score；
步驟一，掃面訂單數據，對麼一條訂單中出現的菜品進行頻次統計，記錄每個菜品被點的次數；
步驟二，將頻次最高的菜品的次數設定為Max_Freq，推薦得分設定為10000，其余菜品的頻次都除以Max_Freq，按照式計算得分：
Scorei＝[(頻次/Max_Freq)*10000]；
步驟三，對Scorei進行排序，選擇Scorei最高的N個菜品輸出。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于山東工業職業學院，未經山東工業職業學院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810808967.0/1.html，轉載請聲明來源鉆瓜專利網。
