[發(fā)明專利]一種基于大數(shù)據(jù)特征分析的云餐飲平臺及分析方法

在審

• 申請?zhí)枺?/td>: 201810808967.0
• 申請日: 2018-07-15
• 公開（公告）號: CN109102326A
• 公開（公告）日: 2018-12-28
• 發(fā)明（設(shè)計）人: 任清元
• 申請（專利權(quán)）人: 山東工業(yè)職業(yè)學(xué)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

本發(fā)明屬于餐飲技術(shù)領(lǐng)域，公開了一種基于大數(shù)據(jù)特征分析的云餐飲平臺及分析方法，云餐飲平臺包括前端客戶端，后臺管理系統(tǒng)，智能分析服務(wù)系統(tǒng)；分析方法包括所述分析方法根據(jù)商業(yè)數(shù)據(jù)、特定的商業(yè)目標(biāo)，選用不同的模型和算法，配置不同的參數(shù)設(shè)置，進(jìn)行多次測試和評估，對顧客潛在消費(fèi)菜品和會員消費(fèi)習(xí)慣的智能分析結(jié)果進(jìn)行深度分析。本發(fā)明讓餐廳突破原有運(yùn)營模式，全面覆蓋排隊、訂餐、支付、收銀、報表和營銷等功能，增加了本店工作人員的服務(wù)效率，提高了工作效率，并讓線上餐飲、線下異業(yè)迅速完成多種商業(yè)模式的搭建和互通，實(shí)現(xiàn)資源服務(wù)共享，有效了節(jié)約了生產(chǎn)成本的投入，創(chuàng)造了更大的利潤空間。

技術(shù)領(lǐng)域

本發(fā)明屬于餐飲技術(shù)領(lǐng)域，尤其涉及一種基于大數(shù)據(jù)特征分析的云餐飲平臺及分析方法。

背景技術(shù)

餐飲業(yè)時傳統(tǒng)的行業(yè)，餐飲作為服務(wù)業(yè)的重要組成部分。中國的餐飲市場經(jīng)過多年的改革與發(fā)展，已進(jìn)入一個新的階段，市場競爭的形式也發(fā)生了一些新的變化。雖然餐飲業(yè)跟隨著市場形勢進(jìn)行改革，但大部分仍然處于傳統(tǒng)與非傳統(tǒng)之間。傳統(tǒng)餐飲企業(yè)的問題大概有兩點(diǎn)，其一，點(diǎn)餐環(huán)節(jié)依舊延續(xù)著幾百年前的人工點(diǎn)菜方式，人員依賴嚴(yán)重，需要投入大量成本；其二，對歷史消費(fèi)數(shù)據(jù)不夠重視或根本沒有積累，忽略了大數(shù)據(jù)背后的潛在商業(yè)價值。

綜上所述，現(xiàn)有技術(shù)存在的問題是：

(1)現(xiàn)有的餐飲業(yè)大部分仍為傳統(tǒng)行業(yè)，或者餐飲業(yè)的銷售模式轉(zhuǎn)為部分線上支付模式，但仍存在很大的問題：支付不方便：找零錢不方便、會有假幣，算錯賬單；管理不方便：上菜時容易記錯位置、混亂客人點(diǎn)餐的順序等，餐飲業(yè)的管理較差，浪費(fèi)了大量的人力物力，成本投入較大。

(2)當(dāng)模型較大且數(shù)據(jù)樣式較多時，海量的訂單數(shù)據(jù)樣式相似度計算使得計算效率較低。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于大數(shù)據(jù)特征分析的云餐飲平臺及分析方法。

本發(fā)明是這樣實(shí)現(xiàn)的，一種基于大數(shù)據(jù)特征分析的云餐飲平臺的分析方法，該基于大數(shù)據(jù)特征分析的云餐飲平臺的分析方法包括：

采用頻度統(tǒng)計推薦引擎算法、關(guān)聯(lián)規(guī)則推薦引擎算法和Markov鏈推薦引擎算法相結(jié)合的方式點(diǎn)餐；

菜品管理，訂單處理，商家管理，折扣管理；

對訂單數(shù)據(jù)采用多種數(shù)據(jù)建模算法分析消費(fèi)者的用餐情況、酒水消費(fèi)情況，通過可視化報表工具進(jìn)行展現(xiàn)；

所述數(shù)據(jù)建模算法基于p-stable局部敏感哈希檢索數(shù)據(jù)樣式的多點(diǎn)訂單數(shù)據(jù)統(tǒng)計建模方法的具體步驟為：

(1)輸入訓(xùn)練訂單數(shù)據(jù)TI，定義模擬實(shí)現(xiàn)R和數(shù)據(jù)樣板T的尺寸；

(2)設(shè)置分塊網(wǎng)格B_Grid的尺寸，輸入p-stableLSH的參數(shù)，包括哈希桶寬W和哈希表數(shù)量N；

(3)以數(shù)據(jù)樣板T掃描訓(xùn)練訂單數(shù)據(jù)TI，建立樣式數(shù)據(jù)庫P_DB；

(4)基于分塊網(wǎng)格計算數(shù)據(jù)樣式pat的特征向量v_pat，使用p-stableLSH計算特征向量v_pat的哈希值h_pat，建立數(shù)據(jù)樣式的哈希庫P_LSHLIB；

(5)根據(jù)模擬實(shí)現(xiàn)R創(chuàng)建隨機(jī)路徑P_Random；

(6)如果隨機(jī)路徑P_Random里有未模擬節(jié)點(diǎn)u，進(jìn)入步驟(7)的路徑；否則進(jìn)入步驟(11)的路徑；

(7)提取節(jié)點(diǎn)u處的數(shù)據(jù)事件dev，統(tǒng)計數(shù)據(jù)事件的分塊網(wǎng)格塊內(nèi)變量之和，得到數(shù)據(jù)事件的特征向量v_dev，進(jìn)行p-stableLSH計算，得到數(shù)據(jù)事件的哈希值h_dev；