基于深度學習的餐飲業菜品銷量預測之計算機研究

來源: www.bnzqvc.live 作者:vicky 發布時間:2019-09-19 論文字數:34458字
論文編號: sb2019090209225827576 論文語言:中文 論文類型:碩士畢業論文
本文是一篇計算機論文,本論文采用 Python 語言及深度學習框架Keras 實現了基于深度學習的菜品銷量預測模型,能夠輸入指定數據格式的輸入數據并訓練模型,給定待預測日期及菜品 ID 便可獲得
本文是一篇計算機論文,本文采用的數據是某知名火鍋連鎖企業門店為期兩年多的運營賬單數據。首先,對賬單數據根據菜品 ID 進行以天為單位的銷量統計生成菜品日銷量數據,據此進行菜品篩選及銷量特征分析。結果顯示:某些菜品銷量數據存在部分時間段數據缺失,并且不同菜品銷量缺失時間段有所不同;同時,菜品銷量數據服從以星期為周期的正弦分布。

1  緒論

1.1  研究背景與意義
餐飲業在國民經濟中占有重要地位,是我國第三產業的一部分。自餐飲業發展以來,其收入一直穩步增長,在國民經濟中所占比重呈上升趨勢。據中國烹飪協會統計報告:全年餐飲收入在 2015 年達 32310 億元,同比增長 11.7%,首次突破 3 萬億元。在 2016 年,全年餐飲收入高達 35799 億元,同比增長 10.8%。2017 年全年餐飲收入也穩步增長,達到了 39644 億元,同比增長 10.7%,占國內生產總值的 4.8%。到 2018 年,全年餐飲收入更是突破 4 萬億元大關,達到了 42716 億元,同比增長 9.5%,標志著餐飲業邁入新階段。圖 1-1 展示了近 10 年餐飲業全年收入。

隨著科學技術的進步以及我國經濟的不斷繁榮,餐飲業在近幾十年來飛速發展。各種連鎖店、餐廳層出不窮。餐飲業規模愈發龐大、經營領域更加多樣、服務更為豐富。據統計,目前共有超過 3 千萬人從事餐飲行業,門店數量高達 800 多萬家。其次,人民生活水平的提高促使人們的消費觀念發生變化,消費需求不斷升級。消費者不再僅僅只追求吃飽,更加追求安全的食品、優質的體驗和舒心的服務。餐飲企業閉店率高達 70%,并且倒閉門店數量為新開店鋪的 91.6%。上述原因使得餐飲業競爭愈發激烈和殘酷。
信息技術的發展使得企業運營數據大幅增加。大數據時代的來臨為企業運營數據提供了更為廣闊的應用空間。此外,人工智能等技術為餐飲業注入了更多的科技元素。餐飲企業已引入智能點餐、菜品推薦、線上支付等智能化服務。送餐、烹飪等各類餐飲機器人已成為行業新動態。餐飲業的“智能化”轉型已是大勢所趨。以上所述使餐飲行業的競爭已不再局限于價格競爭與產品質量競爭,“智能化”也成為餐飲企業競爭的又一重要因素。“智能化”餐飲能夠為顧客提供更為便捷的服務,降低運營成本和勞動力成本,也能夠為企業管理者提供決策支持和業務管理[1],助企業管理者制定有針對性的營銷策略或企業管理決策,從而提高企業競爭力。企業海量數據與大數據和人工智能技術的發展為餐飲業數據分析提供了數據支持和技術保障。目前,在不斷升級的餐飲業中,大數據分析已廣泛用于銷量預測、改善個性化營銷、定制服務、商業防損、分析顧客的飲食習慣和用餐模式等[2],[3]。其中銷量預測是指結合歷史銷量數據與外部影響因素等,使用銷量預測模型對未來某段時間內菜品銷量的估計。銷量預測是企業預算和采購的重要依據,同時也是企業能夠健康、良好發展的基礎。
...........................

1.2  國內外研究現狀
近年來,隨著信息技術的飛速發展,各個領域的運營數據急劇增加,在商業領域表現尤為明顯。商業智能的提出,使得企業運營數據具有較高的商業價值。企業可以從海量數據中挖掘潛在有用信息,作為完善企業制度、提高客戶滿意度的重要依據,從而為客戶提供更加優質和舒心的服務,增加企業直接和間接利潤。
準確預測未來短期內商品銷量對于企業而言是非常有益的,能夠彌補人工采購的弊端。但是對于餐飲業菜品銷量預測的研究并不多見。餐飲菜品銷量數據具有明顯的時序特征,而對于商品銷量等時序數據的準確預測一直是研究人員關注的對象。研究人員于此已取得一定研究成果。Ramos 等人[4]采用 ARIMA 模型與狀態空間模型分別預測零售業未來時段內商品銷量。經過調研發現,銷量預測不僅受到歷史銷量的影響,某些外部因素也會影響銷量預測精度。Arunraj 等人[5]提出了加入外部變量的季節性差分自回歸滑動平均(SARIMAX)模型,改進了季節性差分自回歸滑動平均(SARIMA)模型[6]。除此以外,機器學習也被應用于時序數據預測的研究中。Candelieri 等人[7]采用并行優化模型優化SVM 回歸的超參數,以便在短時間提供用水需求量的預測。Yagli 等人[8]對 68 種機器學習算法在太陽輻照度預測中的精度進行了評估,并建議根據環境不同優先選擇不同的模型。McCulloch 等人[9]提出了人工神經網絡的概念與數學模型,自此,研究人員也將神經網絡應用于時序數據的預測。Noorollahi 等人[10]采用了 BPNN,RBFNN 和 ANFIS 對時空風速和空間風速進行預測。Sokolov-Mladenovi? 等人[11]應用極限學習機(ELM)有效地預測GDP。Chiroma 等人[12]采用以花朵授粉算法為優化算法的人工神經網絡預測石油消耗。Abedinia[13]等人提出了一種基于神經網絡與元啟發式算法相結合的混合預測方法進行太陽能預測。人工神經網絡的發展和計算機計算能力的不斷改進,促使了深度學習的崛起[14]。深度學習在多個領域取得的突破性成果,促使研究人員將深度學習應用于時間序列的預測中,其中包括 SRNs[15]、LSTM[16]等。Boné[17]等人將 RNN 應用于時間序列的研究中。Kaneko等人[18]基于深度學習構建了一個預測零售店商品銷量的模型。Holmberg 等人[19]采用Xgboost 和 LSTM 預測了餐飲業菜品銷量。LSTM 網絡也已用于可再生能源預測[20]、電力負荷預測[21]、地鐵網絡動態起始-目的地[22]等研究領域[23-26]。
.................................

2  相關理論與算法介紹

2.1  銷量預測理論與方法
銷量預測問題由來已久,是研究人員研究的熱點問題之一。陸宇建等人[42]對于銷量預測定義如下:銷量預測是根據企業產品過去的經營狀況和其他相關資料,對其在一定地區和時期內的銷售數量的預計和推測。精確的銷量預測,可以為企業提前進行產品生產或儲備提供合理的指導,避免產品浪費或積壓,從而提升企業利潤。銷量預測方法可分為定性分析與定量分析兩種,其中定量分析法又分為時間序列預測法和因果分析預測法。下圖2-1 展示了常見預測方法。

定性分析法主要是行業專家運用現有資料,首先根據歷史積累經驗,初步分析判斷未來產品銷量變化趨勢,再通過調查座談等方法對初步結論進行補充完善,為最終產品的銷量預測提供依據。雖然定性分析法簡便易行,但是其很大程度依賴行業專家的歷史經驗和直覺,并且行業專家的判斷分析能力也對產品銷量預測的準確性有較大影響。因此,該方法應用效果較差。
定量分析法通常是研究人員采用數學語言對問題進行描述,能夠通過對大量數據的比較和分析對問題做出合理解釋。與定性分析法相比,定量分析法的預測結果更加科學、直觀、準確,并且應用效果較好。但是,該方法需要高深的數學知識。此外,數據資料的質量和方法的選擇也對定量分析法預測結果有一定影響。
...........................

2.2  銷量預測算法
2.2.1  自回歸滑動平均模型

.............................
3  基于深度學習的菜品預測模型建立與實現 ............................... 19
3.1  數據介紹與初步分析 .................................... 19
3.2  基于深度學習銷量預測模型研究 ............................ 20
4  實驗結果與誤差分析 ....................................... 31
4.1  普通工作日菜品銷量預測結果 ............................ 31
4.2  節假日菜品銷量預測結果 ................................... 31
5  菜品銷量預測系統設計與實現 ............................................ 41
5.1  菜品銷量預測系統 .................................... 41
5.2  系統設計 ........................... 42

5  菜品銷量預測系統設計與實現

5.1  菜品銷量預測系統
菜品銷量預測系統主要基于企業運營賬單數據,針對菜品銷量預測問題,首先對原始賬單數據實現進行日銷量統計、離群點檢測等數據預處理操作。之后根據本文第三章節搭建網絡結構,實現模型訓練和未來短期菜品銷量進行預測,并將菜品日銷量統計結果和菜品銷量預測結果存儲于數據庫中,以便各門店管理者查詢。與此同時,對菜品銷量情況進行統計,為管理者制定決策提供數據支持。餐飲業菜品銷量預測系統如圖 5-1 所示。

..........................


6  工作總結與展望

6.1  工作總結
隨著大數據時代的來臨,海量商業數據越來越有價值。而傳統機器學習算法和深度學習技術的發展為海量商業數據輔助企業決策提供了技術支持。本文采用餐飲企業真實賬單數據,通過對菜品銷量數據進行分析,提出了基于深度學習的餐飲業菜品銷量預測模型,并以此為基礎設計并實現了餐飲業菜品銷量預測系統。該系統能夠準確預測未來短期內菜品銷量,可為企業采購人員提供可靠參考,也可為企業管理層決策提供依據,防止企業因菜品儲備不當而造成的利潤損失和顧客就餐不滿等現象的出現,促進企業健康良好發展。本文主要包括以下工作:
(1)文獻調研及銷量預測問題研究
首先,本文詳細介紹了銷量預測的背景與意義,調研了國內外相關研究現狀。之后詳細介紹了銷量預測算法,并對本文所用算法相關理論基礎進行了闡述,其中包括銷量預測模型 ARMA、Xgboost、LSTM,之后對離群點檢測算法以及預測模型的評價指標進行了描述。最后簡要介紹了本文實驗采用的深度學習框架。
(2)銷量數據初步分析與數據預處理
在建立銷量預測模型之前,首先對銷量數據進行了初步統計與分析,去除了其中不具備可預測性等部分菜品。其次研究了菜品銷量數據的特征,發現了菜品銷量大致服從以星期為周期的正弦分布,并且銷量在節假日期間有明顯的上升趨勢。因此本文提出了基于日期特性的銷量數據劃分,將數據劃分為普通工作日銷量數據和節假日銷量數據,解決了缺失數據處理及菜品銷量分日期有所差異的問題。之后,采用了基于正態分布的一元離群點檢測算法檢測離群點并對離群點做丟棄處理,為模型的建立和驗證準備了高質量的數據。
(3)銷量預測模型建立與模型實現
在上述工作的基礎上,針對普通工作日與節假日菜品銷量數據的不同特征,分別建立了 O-Model 與 H-Model,兩者結合構成了基于深度學習的菜品銷量預測模型。之后,采用了深度學習框架 Keras 對其進行實現,利用真實銷量數據對模型進行訓練、測試和驗證,并采用 ARMA、Xgboost 方法做對比實驗,對實驗結果進行了誤差分析,明確了某些菜品預測準確率較低原因,并對不同模型預測準確率進行統計。實驗結果證明了本文提出的預測模型的有效性。
參考文獻(略)

原文地址:http://www.bnzqvc.live/jsjlw/27576.html,如有轉載請標明出處,謝謝。

您可能在尋找計算機論文方面的范文,您可以移步到計算機論文頻道(http://www.bnzqvc.live/jsjlw/)查找


上一篇:基于單幅圖像的沙塵圖像清晰化方法及系統
下一篇:沒有了
彩票6加1怎么玩 秒速飞艇 25选7 地下城勇士单机版 恺英哪款游戏最赚钱 7m.cn篮球即时比分 梦幻西游烹饪多少赚钱吗 加盟冰激凌店能赚钱吗 赚钱宝掉盘监控 sf轻小说写作做赚钱吗 篮球比分图片 明珠彩票首页 收垃圾是怎么赚钱吗 微乐辽宁麻将真人 极速十一选五 尼采i9里的捕鸟达人 terraria怎么赚钱