基于大数据统计及健康报告分析的智能推荐算法研究

摘要

本发明公开了基于大数据统计及健康报告分析的智能推荐算法研究，包括主服务器、数据采集模块、预测分析模块、通信模块、订单采购模块；所述主服务器分别连接数据采集模块、预测分析模块、通信模块和订单采购模块；所述数据采集模块包括人脸识别、重量传感器和摄像头；所述数据采集模块用于通过人脸识别技术。本发明研究了一套基于物联网的数据采集方案，可有效采集就餐过程中各行为数据，做到了线下模式的数据可管理化，为后续开展食堂用餐及用户行为研究提供了数据基础；通过对用户行为数据的统计、分析与建模，实现了食堂的菜品配备预测化、定制化，实现了智能化就餐配备、节约粮食、减少浪费。

说明书

技术领域

本发明属于食堂管理技术领域，具体为基于大数据统计及健康报告分析的智能推荐算法研究。

背景技术

食堂作为人员聚集场所，就餐过程中产生包括就餐行为、信息消费行为、人际关系行为等大量数据。这些数据不仅可以为食堂内部管理提供智能支撑，而且通过对内部不同单位之间的用户就餐大数据分析，可以更好的服务电网就餐管理、节约粮食、减少浪费。但如今缺少对食堂整体用餐情况及用户行为数据采集方案，目前需要通过多源数据采集技术，建立食堂用餐及用户行为数据模型，研究数据融合处理方法，以此开展食堂用餐及用户行为大数据采集与管理技术研究。

在采集到数据后，结合用户信息、食堂菜品信息及食堂用餐数据分析，提出基于大数据技术的食堂菜品配备和就餐优化管理技术。将食堂的菜品配备与就餐人员的信息及就餐习惯进行挖掘分析，为食堂的菜品配备进行预测，实现智能化就餐配备、节约粮食、减少浪费。

因此，我们提出基于大数据统计及健康报告分析的智能推荐算法研究。

发明内容

本发明的目的在于：为了解决食堂的菜品配备与就餐人员的信息及就餐习惯不匹配，造成粮食浪费的问题，提供基于物联网及智能预测推荐的智慧食理堂管系统。

本发明采用的技术方案如下：

基于大数据统计及健康报告分析的智能推荐算法研究，包括主服务器、数据采集模块、预测分析模块、通信模块、订单采购模块；

所述主服务器分别连接数据采集模块、预测分析模块、通信模块和订单采购模块；

所述数据采集模块包括人脸识别、重量传感器和摄像头；

所述数据采集模块用于通过人脸识别技术，当用户进入菜品区域时，通过区域人脸身份鉴别及重量传感器的变化，记录每个用户的取餐行为，并将其存储起来；

所述预测分析模块用于在采集到用户的就餐行为数据后，对此类原始数据进行大数据统计分析，得到每餐用餐总人数、消耗总菜品、用餐高峰时段等信息，并实时统计食堂就餐人员；

所述订单采购模块用于根据预测分析模块的分析结构制定食堂食品材料的订购信息；

所述通信模块用于将获取的各类食堂就餐信息传递给用户终端，便于管理者实时管控。

优选的，所述预测分析模块通过对每餐用餐总人数及消耗菜品总重量信息，并结合时间维度提取用户就餐特征，发现园区人数、时间、菜品等之间的关联关系，构建食堂就餐模型。

优选的，所述预测分析模块通过对就餐模型的训练及优化，为食堂的菜品配备进行预测，如预测下一餐或下一天的食堂就餐人数及应准备菜品数量等，实现智能化就餐配备、节约粮食、减少浪费。

优选的，所述预测分析模块在收集到一段时间的食堂每餐的就餐人数及消耗菜品总重量的数据后，可以使用基于时序的深度学习预测模型——LSTM(长短时记忆网络)来预测未来的每餐的就餐人数及消耗菜品总重量信息。它通过学习近邻几天的就餐人数数据和很久以前的数据对于预测数据的影响，得到一种基于每周的就餐人数的周期性规律，然后得出比较准确的预测。

优选的，所述用户终端为移动手机或电脑。

优选的，所述主服务器还连接有显示屏，所述显示屏用于显示食堂菜品信息和厨师制作信息和原材料采购信息。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明研究了一套基于物联网的数据采集方案，可有效采集就餐过程中各行为数据，做到了线下模式的数据可管理化，为后续开展食堂用餐及用户行为研究提供了数据基础；通过对用户行为数据的统计、分析与建模，实现了食堂的菜品配备预测化、定制化，实现了智能化就餐配备、节约粮食、减少浪费。

附图说明

图1为基于大数据统计及健康报告分析的智能推荐算法研究的结构示意框图；

图2为基于大数据统计及健康报告分析的智能推荐算法研究中LSTM链式结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参照图1-图2所示，基于大数据统计及健康报告分析的智能推荐算法研究，包括主服务器、数据采集模块、预测分析模块、通信模块、订单采购模块；

主服务器分别连接数据采集模块、预测分析模块、通信模块和订单采购模块；

数据采集模块包括人脸识别、重量传感器和摄像头；

数据采集模块用于通过人脸识别技术，将餐盘与用户进行一对一绑定，之后再根据取餐过程中的餐盘识别及重量传感器的变化，记录每个用户的取餐行为，并将其存储起来；

在进入食堂后，人员通过人脸识别设备进入食堂。就餐过程中通过在菜品指定区域人脸识别辨别人员身份，以便采集接下来的就餐数据信息。

首先通过摄像镜头采集不同的人脸图像，如静态图像、动态图像、不同的位置、不同表情等。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像，之后在图像中准确标定出人脸的位置和大小，其后对检测图像进行预处理(灰度校正、噪声过滤等)及特征提取(变换系数特征、代数特征等)，然后将提取到的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。

预测分析模块用于在采集到用户的就餐行为数据后，对此类原始数据进行大数据统计分析，得到每餐用餐总人数、消耗总菜品、用餐高峰时段等信息，并实时统计食堂就餐人员；

订单采购模块用于根据预测分析模块的分析结构制定食堂食品材料的订购信息；

通信模块用于将获取的各类食堂就餐信息传递给用户终端，用户终端为移动手机或电脑，便于管理者实时管控。

优选的，预测分析模块通过对每餐用餐总人数及消耗菜品总重量信息，并结合时间维度提取用户就餐特征，发现园区人数、时间、菜品等之间的关联关系，构建食堂就餐模型。

优选的，预测分析模块通过对就餐模型的训练及优化，为食堂的菜品配备进行预测，如预测下一餐或下一天的食堂就餐人数及应准备菜品数量等，实现智能化就餐配备、节约粮食、减少浪费。

优选的，预测分析模块在收集到一段时间的食堂每餐的就餐人数及消耗菜品总重量的数据后，可以使用基于时序的深度学习预测模型——LSTM(长短时记忆网络)来预测未来的每餐的就餐人数及消耗菜品总重量信息。它通过学习近邻几天的就餐人数数据和很久以前的数据对于预测数据的影响，得到一种基于每周的就餐人数的周期性规律，然后得出比较准确的预测；

首先根据以往就餐人数的数据，按时序排列之后输入LSTM进行学习预测，将预测人数展示给管理者。然后每当有新的就餐行为发生后，新的就餐人数数据就写入数据库，并根据新的就餐数据进行下一次预测。这样利用循环的时序预测，就可以将最新预测的就餐人数数据展示给管理者。

优选的，所述主服务器还连接有显示屏，所述显示屏用于显示食堂菜品信息和厨师制作信息和原材料采购信息，方便消费者了解就餐的详细情况。

其中，长短期记忆人工神经网络是基于循环神经网络之上存在“记忆体”的模型，可以记住很长时间的信息，避免出现长期依赖问题，具有能够自主学习的能力。图2为LSTM链式结构图，其中σ为激励函数，i为遗忘门，在LSTM中以一定的概率控制是否遗忘上一层的隐藏细胞状态；ii为输入门，负责处理当前序列位置的输入；iii为输出门。LSTM靠这三个“门”结构让信息有选择性的影响循环神经网络中的每个状态，能使循环神经网络长时间的保存记忆，适合于处理和预测时间序列中间隔和延迟相对较长的事件。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。