[发明专利]一种基于深度学习的餐饮业菜品销量预测方法

说明书

本发明公开了一种基于深度学习的餐饮业菜品销量预测方法，该方法将销量数据按销量所属日期进行数据划分，分别建立了普通工作日和节假日销量预测模型。当对菜品销量进行预测时，采用普通工作日销量预测模型进行未来普通工作日销量的预测，而节假日期间菜品销量采用节假日销量预测模型来预测。本发明方法在非线性数据与节假日期间预测均表现良好，有更为精确的预测能力和较强的鲁棒性，能够更为全面的反映出菜品销量的规律与特征。该预测模型能够为企业采购者采购物料提供有力的参考依据，有很强的应用价值。

技术领域

本发明涉及餐饮管理领域，尤其涉及一种基于深度学习对餐饮业的菜品销量进行预测的方法。

背景技术

随着世界经济的逐渐繁荣，餐饮业在近几十年也飞速发展，各种连锁店、餐厅层出不穷。同时，科技的发展使得餐饮业的智能化转型已是大势所趋。智能点餐、菜品推荐、线上支付等智能化工具的出现，让餐饮行业的竞争已不再局限于价格竞争与产品质量竞争，“智能化”也成为餐饮业竞争的重要因素。近年来，互联网和信息技术的飞速发展，使得各个领域的运营数据急剧增加，在商业领域表现尤为明显。商业智能的提出，使得企业运营数据具有很高的商业价值，企业可以从海量数据中挖掘潜在有用信息，为客户提供更好的服务，为企业创造更大的利润。

销量预测是指根据以往的销售情况以及使用系统内部内置或用户自定义的销售预测模型获得对未来销售情况的预测。销量的准确预测与企业利润息息相关。在餐饮行业门店经营过程中，物料的准备至关重要，对于物料保鲜性要求较高的餐饮企业尤甚。食品销量预测少于客户需求，会影响客户消费体验，造成企业潜在利润损失。而过多的预测会造成食品积压。而目前多数企业采用人工采购方式，库管人员依据自身经验采购物料，难免造成物料储备不当而导致企业的经营损失。由此可见，物料的准确储备，能够降低企业的盈利损失，节约经营成本。因此，利用企业历史营业数据，准确的预测未来短期内物料的消耗，能够为采购人员储备物料提供有力的依据，助其做出正确决策。餐饮菜品销量数据具有明显的时序特征，对于时序数据的准确预测一直是研究人员关注的对象。时间序列的预测方法有多种，传统的预测方

法包括回归方法，指数平滑法、自回归滑动平均模型(ARMA)等。机器学习作为常用的分析算法，也被应用于销量预测的研究中。近年，深度学习技术不断发展，已出现了多种神经网络结构用于序列数据的研究中，如循环神经网络(RNN)及其变体长短期记忆网络(LSTM)等。

传统的预测模型能够较为准确的预测线性序列，而对于非线性序列拟合不佳。同时，将节假日与普通工作日等同对待，致使在节假日期间，菜品销量预测数据低于节假日销量的真实数据，预测精度下降。

发明内容

本发明的目的在于提供一种基于深度学习对餐饮业的菜品销量预测方法，解决了传统方法对于非线性序列数据拟合不佳，同时对节假日数据与普通工作日数据无区别对待，以以往与节假日日期相同工作日的历史数据对节假日期间菜品销量进行预测导致预测精度下降的问题。

为实现上述目的本发明采用以下技术方案：

基于深度学习对餐饮业的菜品销量进行预测，包括如下步骤：

原始数据序列为菜品每天销量数据，根据销量日期所属工作日，将原始数据序列划分为普通工作日销量序列和节假日销量序列；其中普通工作日序列包含了周一销量数据至周天销量数据7个序列数据，节假日销量数据包含了14个节假日数据序列；

对于普通工作日销量的预测采用了深度学习中的长短期记忆网络(LSTM)模型，模型包含输入层、隐藏层与输出层，隐藏层由2个LSTM层组成，均采用tanh作为层级激活函数，输出层为全连接层，采用sigmoid激活函数，模型的输入为一个工作日菜品销量的历史数据，输出为下一个相同工作日的销量预测值；

由于不同节假日销量数据变化幅度不满足相同规律，根据节假日统计信息，对各个节假日进行了细致分析，按照节假日假期天数将节假日分为3类：