CN107292672A - 一种餐饮行业销售预测的实现***与方法 - Google Patents
一种餐饮行业销售预测的实现***与方法 Download PDFInfo
- Publication number
- CN107292672A CN107292672A CN201710543595.9A CN201710543595A CN107292672A CN 107292672 A CN107292672 A CN 107292672A CN 201710543595 A CN201710543595 A CN 201710543595A CN 107292672 A CN107292672 A CN 107292672A
- Authority
- CN
- China
- Prior art keywords
- information
- data
- shops
- model
- market
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 235000013311 vegetables Nutrition 0.000 claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 230000008451 emotion Effects 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 7
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 6
- 230000036651 mood Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 235000013305 food Nutrition 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种餐饮行业销售预测的实现***及方法，采用爬虫技术、图像识别技术、文本分析技术和深度学***台数据、地理位置信息数据、天气信息、市场信息等外部数据以及pos数据、门店信息、菜品信息、公司市场活动信息等内部数据进行采集处理和信息挖掘，建立融合的预测模型，依据当下内外信息，给出未来三个月内逐星期的菜品销售数据，并结合菜品BOM、门店库存、总仓库存以及安全库存MRP等，给出未来的订单计划。相比于现有其他预测方法，MAPE(平均绝对百分误差)可由30％‑40％提升到10％‑15％。
Description
技术领域
本发明涉及销售预测***和方法，尤其涉及一种餐饮行业销售预测的实现***与方法，属于网络爬虫、图像识别、文本分析、深度学习领域。
背景技术
爬虫技术是一种“自动化浏览网络”的程序，它按照一定的规则，自动在万维网上抓取用户需要的信息。随着互联网的发展，网络成为大量信息的载体。爬虫技术也成为数据采集的重要组成部分，是大数据分析中最为基础的一步。
文本分析技术是指对文本的表示及其特征项的选取，是文本挖掘、信息检索中的基本问题。它将无结构的原始文本转化为结构化的计算机可以识别和处理的信息，从而建立数学模型来描述和代替文本，最终实现从大量文本中挖掘有效信息的目的。文本语义分析是识别文本主题、类别与意义等语义信息的过程，在自然语言处理、信息过滤、信息分类、信息检索、语义挖掘等领域都普遍应用。通过文本分析可以将网上繁多的文字舆情转换成有用的信息辅助对未来销量预测模型。
图像识别技术，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。它将无结构的图像识别成具体结构化的计算机可以识别和处理的信息。通过图像识别技术可以轻松将菜单信息轻松转换成结构化信息，也可以将点评等舆论信息中的菜品和竞争对手的菜品进行图像识别得到有用结构化数据辅助模型进行预测。
深度学习具有分布式特征表达、自动特征提取、端到端机器学习和良好的泛化能力等优势，在语音识别、图像识别和自然语言处理等很多领域得到令人瞩目的成功应用。在基于时间序列的LSTM模型当中，深度学习被证明可以很好的进行时间序列的分析和预测。
当下的餐饮预测模型，一方面没有很好的利用市场信息和外部信息，导致对销量的波动情况无法有效理解，导致在市场活动发生变化的时候，不能有效的对未来进行预测；另一方面对于菜品中的替代效应和晕轮效应没有有效整合，在新菜品上市或者其他菜品缺货促销的活动造成销量波动的时候，相关菜品的销量也会受影响发生波动，这部分信息未纳入模型的时候，关联产品销量预测不准，所以整体预测精确度不高。
针对于餐饮企业，库存问题一直迫切需要解决的难题。一方面备货过多容易造成库存积压，占用资金；另一方面备货过少容易造成断货而对利润以及品牌造成影响。如何精准备货成为企业的重点关注，而此发明充分整合内外部信息资源，利用前沿深度学习模型为基础融合多种模型，给出精准的销量预测，从而助力企业精准备货，在提高库存周转率的同时，减少断货现象，保障企业利润与品牌形象。
发明内容
本发明是为了解决上述不足，提供了一种餐饮行业销售预测的实现***与方法，以提高菜品预测的精确度，助力企业精准备货，提高利润。
本发明的上述目的通过以下的技术方案来实现：一种餐饮行业销售预测的实现***，其特征在于：包括数据采集与预处理单元、菜单图像识别单元、舆情语义分析与情感评分单元、门店空间自相关探索单元、自动化建模与更新单元和MRP单元；
所述数据采集与预处理单元用于数据采集、数据清洗和数据特征提取；具体地：
数据采集，利用爬虫技术采集评价等舆论、天气等环境、外部市场和竞争对手基本信息并存储；
数据清洗，将天气等环境信息、门店信息、公司历史市场活动信息进行数据预处理，形成结构化时间序列信息并存储；
数据特征提取，利用Arima模型思想，将门店POS数据进行历史维度、趋势变化、季度变化等衍生信息并存储；
所述菜单图像识别单元用于识别菜单变动信息，将历史菜单按时间录入，通过图像识别，将菜单的历史变动结构化并存储；
所述舆情语义分析与情感评分单元用于挖掘菜品情感评分和挖掘整体餐饮市场情绪，具体地：
挖掘菜品情感评分，利用分词技术、互信息模型、主题模型等，对基础评价等舆论信息进行文本分析，包含语义分析和情感分析，得到每个菜品的结构化的市场舆论信息，例如市场感情评分，提及频率等信息并存储；
挖掘整体餐饮市场情绪，利用分词技术、互信息模型、主题模型等，对所有餐饮点评进行分析，得到整个餐饮市场以及细分市场的舆论热点等信息并存储；
所述门店空间自相关探索单元用于探索区域内高相关度竞争对手，利用空间自相关模型，对门店所在区域内的竞争对手进行关联分析，形成高关联度的竞争对手名单以及对手的历史数量变化并存储；
所述自动化建模与更新单元用于自动构建预测模型，自动将存储的信息纳入深度学习LSTM模型当中，预测未来三个月逐星期逐菜品销量，同时利用RandomForest进行预测，将两者预测结果按照置信度进行加权，得到最终销量预测结果。同时模型可以设置定期自动更新，以对市场等环境变化做出快速反应，最终实现企业所需的销售预测；
所述MRP单元用于在得出销售预测之后，利用企业现有的门店库存、总仓库存、在途以及安全库存设置等，调用成熟MRP***，得出供应链部门所需的采购计划以及发货计划。
一种餐饮行业销售预测的实现方法，包括：
利用爬虫技术采集评价等舆论、天气等环境、外部市场和竞争对手基本信息，形成基础外部数据；
利用图像识别技术，将餐饮公司的菜单信息进行结构化，识别得出菜单变动的差异；以及利用图像识别技术，对舆论信息中的图片进行识别转换成文字辅助文本分析；
利用分词技术、互信息模型、主题模型等，对基础评价等舆论信息进行文本分析，包含语义分析和情感分析，得到每个菜品的结构化的市场舆论信息，以及竞争对手和整个餐饮市场的结构化舆论信息；
利用空间自相关模型，对门店所在区域内的竞争对手进行关联分析，形成高关联度的竞争对手的历史数量；
将天气等环境信息、门店信息、公司历史市场活动信息进行数据预处理，形成结构化时间序列信息；
利用Arima模型思想，将门店POS数据进行历史维度、趋势变化、季度变化等衍生信息；
利用促销的关联效应模型，分析不同菜品之间关联系数，以及促销带来的关联效应系数；
将上述信息纳入深度学习LSTM模型当中，预测未来三个月逐星期逐菜品销量，同时利用RandomForest进行预测，将两者预测结果按照置信度进行加权，得到最终销量预测结果；
进而，利用MRP模型将销售预测与门店库存、总仓库存、在途等信息整合纳入，得出未来的采购量和总仓向门店的发货量。
具体地说：
本发明的餐饮行业销售预测的实现方法，包括以下步骤：
步骤1：数据采集：
利用爬虫技术采集评价等舆论、天气等环境、外部市场和竞争对手基本信息；
步骤2：将外部数据与内部数据拼接整合：
依据菜品和门店作为关键字将外部信息与内部信息进行拼接整合；
步骤3：文本分析：
利用分词技术、互信息模型、主题模型等，对基础评价等舆论信息进行文本分析，包含语义分析和情感分析，得到每个菜品的结构化的市场舆论信息，以及竞争对手和整个餐饮市场的结构化舆论信息；
步骤4：关联分析：
利用促销的关联效应模型，分析不同菜品之间关联系数，以及促销带来的关联效应系数；
步骤5：图像识别：
识别菜单变动信息，将历史菜单按时间录入，通过图像识别，将菜单的历史变动结构化并存储；
步骤6：销售数据衍生：
数据特征提取，利用Arima模型思想，将门店POS数据进行历史维度、趋势变化、季度变化等衍生信息并存储；
步骤7：空间自相关分析：
利用空间自相关模型，对门店所在区域内的竞争对手进行关联分析，形成高关联度的竞争对手的历史数量；
步骤8：数据结构化处理：
将天气等环境信息、门店信息、公司历史市场活动信息进行数据预处理，对数据进行特征提取，进行标签化处理，形成结构化时间序列信息并存储；
步骤9：自动化建模：
自动构建预测模型，自动将存储的信息纳入深度学习LSTM模型当中，预测未来三个月逐星期逐菜品销量，同时利用RandomForest进行预测，将两者预测结果按照置信度进行加权，得到最终销量预测结果。同时模型可以设置定期自动更新，以对市场等环境变化做出快速反应，最终实现企业所需的销售预测；
步骤10：MRP模型整合：
利用MRP模型将销售预测与门店库存、总仓库存、在途等信息整合纳入，得出未来的采购量和总仓向门店的发货量。
本发明与现有技术相比的优点是：本发明基于云平台服务架构，采用文本分析技术和深度学***均绝对百分误差)可由30％-40％提升到10％-15％。
附图说明
图1为本发明的工作流程图。
具体实施方式
下面结合实施例对本发明进一步详述。
如图1所示，一种餐饮行业销售预测的实现***，其特征在于：包括数据采集与预处理单元、菜单图像识别单元、舆情语义分析与情感评分单元、门店空间自相关探索单元、自动化建模与更新单元和MRP单元；
所述数据采集与预处理单元用于数据采集、数据清洗和数据特征提取；具体地：
数据采集，利用爬虫技术采集评价等舆论、天气等环境、外部市场和竞争对手基本信息并存储；
数据清洗，将天气等环境信息、门店信息、公司历史市场活动信息进行数据预处理，形成结构化时间序列信息并存储；
数据特征提取，利用Arima模型思想，将门店POS数据进行历史维度、趋势变化、季度变化等衍生信息并存储；
所述菜单图像识别单元用于识别菜单变动信息，将历史菜单按时间录入，通过图像识别，将菜单的历史变动结构化并存储；
所述舆情语义分析与情感评分单元用于挖掘菜品情感评分和挖掘整体餐饮市场情绪，具体地：
挖掘菜品情感评分，利用分词技术、互信息模型、主题模型等，对基础评价等舆论信息进行文本分析，包含语义分析和情感分析，得到每个菜品的结构化的市场舆论信息，例如市场感情评分，提及频率等信息并存储；
挖掘整体餐饮市场情绪，利用分词技术、互信息模型、主题模型等，对所有餐饮点评进行分析，得到整个餐饮市场以及细分市场的舆论热点等信息并存储；
所述门店空间自相关探索单元用于探索区域内高相关度竞争对手，利用空间自相关模型，对门店所在区域内的竞争对手进行关联分析，形成高关联度的竞争对手名单以及对手的历史数量变化并存储；
所述自动化建模与更新单元用于自动构建预测模型，自动将存储的信息纳入深度学习LSTM模型当中，预测未来三个月逐星期逐菜品销量，同时利用RandomForest进行预测，将两者预测结果按照置信度进行加权，得到最终销量预测结果。同时模型可以设置定期自动更新，以对市场等环境变化做出快速反应，最终实现企业所需的销售预测；
所述MRP单元用于在得出销售预测之后，利用企业现有的门店库存、总仓库存、在途以及安全库存设置等，调用成熟MRP***，得出供应链部门所需的采购计划以及发货计划。
本发明的餐饮行业销售预测的实现方法，包括以下步骤：
步骤1：数据采集：
利用爬虫技术采集评价等舆论、天气等环境、外部市场和竞争对手基本信息；
步骤2：将外部数据与内部数据拼接整合：
依据菜品和门店作为关键字将外部信息与内部信息进行拼接整合；
步骤3：文本分析：
利用分词技术、互信息模型、主题模型等，对基础评价等舆论信息进行文本分析，包含语义分析和情感分析，得到每个菜品的结构化的市场舆论信息，以及竞争对手和整个餐饮市场的结构化舆论信息；
步骤4：关联分析：
利用促销的关联效应模型，分析不同菜品之间关联系数，以及促销带来的关联效应系数；
步骤5：图像识别：
识别菜单变动信息，将历史菜单按时间录入，通过图像识别，将菜单的历史变动结构化并存储；
步骤6：销售数据衍生：
数据特征提取，利用Arima模型思想，将门店POS数据进行历史维度、趋势变化、季度变化等衍生信息并存储；
步骤7：空间自相关分析：
利用空间自相关模型，对门店所在区域内的竞争对手进行关联分析，形成高关联度的竞争对手的历史数量；
步骤8：数据结构化处理：
将天气等环境信息、门店信息、公司历史市场活动信息进行数据预处理，对数据进行特征提取，进行标签化处理，形成结构化时间序列信息并存储；
步骤9：自动化建模：
自动构建预测模型，自动将存储的信息纳入深度学习LSTM模型当中，预测未来三个月逐星期逐菜品销量，同时利用RandomForest进行预测，将两者预测结果按照置信度进行加权，得到最终销量预测结果。同时模型可以设置定期自动更新，以对市场等环境变化做出快速反应，最终实现企业所需的销售预测；
步骤10：MRP模型整合：
利用MRP模型将销售预测与门店库存、总仓库存、在途等信息整合纳入，得出未来的采购量和总仓向门店的发货量。
本发明的***基于云服务架构，采用爬虫技术、图像识别技术、文本分析技术和深度学***台数据、地理位置信息数据、天气信息、市场信息等外部数据以及pos数据、门店信息、菜品信息、公司市场活动信息等内部数据进行采集处理和信息挖掘，建立融合的预测模型，依据当下内外信息，给出未来三个月内逐星期的菜品销售数据，并结合菜品BOM、门店库存、总仓库存以及安全库存MRP等，给出未来的订单计划。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及实施例内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种餐饮行业销售预测的实现***，其特征在于：包括数据采集与预处理单元、菜单图像识别单元、舆情语义分析与情感评分单元、门店空间自相关探索单元、自动化建模与更新单元和MRP单元；
所述数据采集与预处理单元用于数据采集、数据清洗和数据特征提取；具体地：
数据采集，利用爬虫技术采集评价等舆论、天气等环境、外部市场和竞争对手基本信息并存储；
数据清洗，将天气等环境信息、门店信息、公司历史市场活动信息进行数据预处理，形成结构化时间序列信息并存储；
数据特征提取，利用Arima模型思想，将门店POS数据进行历史维度、趋势变化、季度变化等衍生信息并存储；
所述菜单图像识别单元用于识别菜单变动信息，将历史菜单按时间录入，通过图像识别，将菜单的历史变动结构化并存储；
所述舆情语义分析与情感评分单元用于挖掘菜品情感评分和挖掘整体餐饮市场情绪，具体地：
挖掘菜品情感评分，利用分词技术、互信息模型、主题模型等，对基础评价等舆论信息进行文本分析，包含语义分析和情感分析，得到每个菜品的结构化的市场舆论信息，例如市场感情评分，提及频率等信息并存储；
挖掘整体餐饮市场情绪，利用分词技术、互信息模型、主题模型等，对所有餐饮点评进行分析，得到整个餐饮市场以及细分市场的舆论热点等信息并存储；
所述门店空间自相关探索单元用于探索区域内高相关度竞争对手，利用空间自相关模型，对门店所在区域内的竞争对手进行关联分析，形成高关联度的竞争对手名单以及对手的历史数量变化并存储；
所述自动化建模与更新单元用于自动构建预测模型，自动将存储的信息纳入深度学习LSTM模型当中，预测未来三个月逐星期逐菜品销量，同时利用RandomForest进行预测，将两者预测结果按照置信度进行加权，得到最终销量预测结果。同时模型可以设置定期自动更新，以对市场等环境变化做出快速反应，最终实现企业所需的销售预测；
所述MRP单元用于在得出销售预测之后，利用企业现有的门店库存、总仓库存、在途以及安全库存设置等，调用成熟MRP***，得出供应链部门所需的采购计划以及发货计划。
2.一种餐饮行业销售预测的实现方法，其特征在于：包括以下步骤：
步骤1：数据采集：
利用爬虫技术采集评价等舆论、天气等环境、外部市场和竞争对手基本信息；
步骤2：将外部数据与内部数据拼接整合：
依据菜品和门店作为关键字将外部信息与内部信息进行拼接整合；
步骤3：文本分析：
利用分词技术、互信息模型、主题模型等，对基础评价等舆论信息进行文本分析，包含语义分析和情感分析，得到每个菜品的结构化的市场舆论信息，以及竞争对手和整个餐饮市场的结构化舆论信息；
步骤4：关联分析：
利用促销的关联效应模型，分析不同菜品之间关联系数，以及促销带来的关联效应系数；
步骤5：图像识别：
识别菜单变动信息，将历史菜单按时间录入，通过图像识别，将菜单的历史变动结构化并存储；
步骤6：销售数据衍生：
数据特征提取，利用Arima模型思想，将门店POS数据进行历史维度、趋势变化、季度变化等衍生信息并存储；
步骤7：空间自相关分析：
利用空间自相关模型，对门店所在区域内的竞争对手进行关联分析，形成高关联度的竞争对手的历史数量；
步骤8：数据结构化处理：
将天气等环境信息、门店信息、公司历史市场活动信息进行数据预处理，对数据进行特征提取，进行标签化处理，形成结构化时间序列信息并存储；
步骤9：自动化建模：
自动构建预测模型，自动将存储的信息纳入深度学习LSTM模型当中，预测未来三个月逐星期逐菜品销量，同时利用RandomForest进行预测，将两者预测结果按照置信度进行加权，得到最终销量预测结果。同时模型可以设置定期自动更新，以对市场等环境变化做出快速反应，最终实现企业所需的销售预测；
步骤10：MRP模型整合：
利用MRP模型将销售预测与门店库存、总仓库存、在途等信息整合纳入，得出未来的采购量和总仓向门店的发货量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710543595.9A CN107292672A (zh) | 2017-07-05 | 2017-07-05 | 一种餐饮行业销售预测的实现***与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710543595.9A CN107292672A (zh) | 2017-07-05 | 2017-07-05 | 一种餐饮行业销售预测的实现***与方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107292672A true CN107292672A (zh) | 2017-10-24 |
Family
ID=60100278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710543595.9A Pending CN107292672A (zh) | 2017-07-05 | 2017-07-05 | 一种餐饮行业销售预测的实现***与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292672A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886272A (zh) * | 2017-11-06 | 2018-04-06 | 北京戴纳实验科技有限公司 | 一种食材管理方法 |
| CN108038216A (zh) * | 2017-12-22 | 2018-05-15 | 联想(北京)有限公司 | 信息处理方法、装置及服务器集群 |
| CN109871403A (zh) * | 2019-02-26 | 2019-06-11 | 扬州制汇互联信息技术有限公司 | 基于产业供应链的工业大数据分析方法 |
| CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易（杭州）网络有限公司 | 销量预测方法、介质、装置和计算设备 |
| CN109934385A (zh) * | 2019-01-29 | 2019-06-25 | 跨越速运集团有限公司 | 基于长短记忆神经网络的货量预测方法及*** |
| CN109978612A (zh) * | 2019-03-18 | 2019-07-05 | 北京工业大学 | 一种基于深度学习的便利店销量预测方法 |
| CN110135876A (zh) * | 2018-02-09 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 销量预测的方法及装置 |
| CN110490635A (zh) * | 2019-07-12 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 商户菜品交易预测及备餐方法及装置 |
| CN110599234A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 一种产品销售预测方法 |
| CN110633401A (zh) * | 2019-07-26 | 2019-12-31 | 苏宁云计算有限公司 | 一种门店数据的预测模型及其建立方法 |
| CN110737643A (zh) * | 2019-09-29 | 2020-01-31 | 广州餐道信息科技有限公司 | 一种基于餐饮信息管理***的大数据分析处理管理中台 |
| CN110807692A (zh) * | 2019-11-04 | 2020-02-18 | 济南大学 | 一种餐馆的智能化销售*** |
| CN110969467A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 产品销售预测方法及相关装置 |
| CN112633594A (zh) * | 2020-12-30 | 2021-04-09 | 北京高思博乐教育科技股份有限公司 | 多目标时间序列的自动化预测方法、装置及*** |
| CN113610657A (zh) * | 2021-10-10 | 2021-11-05 | 江苏四方精密钢管有限公司 | 一种钢管制品的推广销售方法及*** |
| CN113780611A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种库存管理方法和装置 |
| CN116843378A (zh) * | 2023-09-01 | 2023-10-03 | 阳信东泰精密金属有限公司 | 一种基于深度学习的五金配件供应预测方法及*** |
| KR20230137774A (ko) | 2022-03-22 | 2023-10-05 | 한병엽 | 주문 정보 추출 방법 |
| CN117557289A (zh) * | 2023-11-20 | 2024-02-13 | 大头(广州)软件技术有限公司 | 一种基于智能营销场景的餐饮数据建模方法及*** |
| CN117934124A (zh) * | 2024-03-25 | 2024-04-26 | 邯郸鉴晨网络科技有限公司 | 一种基于大数据的电商订单信息智能处理*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104281623A (zh) * | 2013-07-12 | 2015-01-14 | 武汉好味道科技有限公司 | 在互联网上进行热门菜品预测与个性化菜品推荐的方法与*** |
| CN105205769A (zh) * | 2015-09-28 | 2015-12-30 | 廖健伟 | 一种基于智能食堂配餐***的数据挖掘方法 |
| CN105976199A (zh) * | 2016-04-26 | 2016-09-28 | 重庆大学 | 一种基于混合模型的医药销量的预测方法及*** |
| CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
-
2017
- 2017-07-05 CN CN201710543595.9A patent/CN107292672A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104281623A (zh) * | 2013-07-12 | 2015-01-14 | 武汉好味道科技有限公司 | 在互联网上进行热门菜品预测与个性化菜品推荐的方法与*** |
| CN105205769A (zh) * | 2015-09-28 | 2015-12-30 | 廖健伟 | 一种基于智能食堂配餐***的数据挖掘方法 |
| CN105976199A (zh) * | 2016-04-26 | 2016-09-28 | 重庆大学 | 一种基于混合模型的医药销量的预测方法及*** |
| CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 张膂: "基于餐饮评论的情感倾向性分析", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 柴军: "餐饮业菜品销售量预测研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
| 陈亮 等: "深度学习框架下LSTM网络在短期电力负荷预测中的应用", 《电力信息与通信技术》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886272B (zh) * | 2017-11-06 | 2021-08-31 | 北京戴纳实验科技有限公司 | 一种食材管理方法 |
| CN107886272A (zh) * | 2017-11-06 | 2018-04-06 | 北京戴纳实验科技有限公司 | 一种食材管理方法 |
| CN108038216A (zh) * | 2017-12-22 | 2018-05-15 | 联想(北京)有限公司 | 信息处理方法、装置及服务器集群 |
| CN110135876A (zh) * | 2018-02-09 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 销量预测的方法及装置 |
| CN110969467A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 产品销售预测方法及相关装置 |
| CN110969467B (zh) * | 2018-09-30 | 2023-12-26 | 北京国双科技有限公司 | 产品销售预测方法及相关装置 |
| CN109934385A (zh) * | 2019-01-29 | 2019-06-25 | 跨越速运集团有限公司 | 基于长短记忆神经网络的货量预测方法及*** |
| CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易（杭州）网络有限公司 | 销量预测方法、介质、装置和计算设备 |
| CN109871403A (zh) * | 2019-02-26 | 2019-06-11 | 扬州制汇互联信息技术有限公司 | 基于产业供应链的工业大数据分析方法 |
| CN109978612A (zh) * | 2019-03-18 | 2019-07-05 | 北京工业大学 | 一种基于深度学习的便利店销量预测方法 |
| CN110490635A (zh) * | 2019-07-12 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 商户菜品交易预测及备餐方法及装置 |
| CN110633401A (zh) * | 2019-07-26 | 2019-12-31 | 苏宁云计算有限公司 | 一种门店数据的预测模型及其建立方法 |
| CN110599234A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 一种产品销售预测方法 |
| CN110737643B (zh) * | 2019-09-29 | 2022-11-15 | 餐道信息科技有限公司 | 一种基于餐饮信息管理***的大数据分析处理管理中台 |
| CN110737643A (zh) * | 2019-09-29 | 2020-01-31 | 广州餐道信息科技有限公司 | 一种基于餐饮信息管理***的大数据分析处理管理中台 |
| CN110807692A (zh) * | 2019-11-04 | 2020-02-18 | 济南大学 | 一种餐馆的智能化销售*** |
| CN113780611A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种库存管理方法和装置 |
| CN112633594A (zh) * | 2020-12-30 | 2021-04-09 | 北京高思博乐教育科技股份有限公司 | 多目标时间序列的自动化预测方法、装置及*** |
| CN113610657A (zh) * | 2021-10-10 | 2021-11-05 | 江苏四方精密钢管有限公司 | 一种钢管制品的推广销售方法及*** |
| KR20230137774A (ko) | 2022-03-22 | 2023-10-05 | 한병엽 | 주문 정보 추출 방법 |
| CN116843378A (zh) * | 2023-09-01 | 2023-10-03 | 阳信东泰精密金属有限公司 | 一种基于深度学习的五金配件供应预测方法及*** |
| CN117557289A (zh) * | 2023-11-20 | 2024-02-13 | 大头(广州)软件技术有限公司 | 一种基于智能营销场景的餐饮数据建模方法及*** |
| CN117557289B (zh) * | 2023-11-20 | 2024-04-16 | 大头(广州)软件技术有限公司 | 一种基于智能营销场景的餐饮数据建模方法及*** |
| CN117934124A (zh) * | 2024-03-25 | 2024-04-26 | 邯郸鉴晨网络科技有限公司 | 一种基于大数据的电商订单信息智能处理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292672A (zh) | 一种餐饮行业销售预测的实现***与方法 | |
| Núñez-Merino et al. | Information and digital technologies of Industry 4.0 and Lean supply chain management: a systematic literature review | |
| Rane | Enhancing customer loyalty through Artificial Intelligence (AI), Internet of Things (IoT), and Big Data technologies: improving customer satisfaction, engagement, relationship, and experience | |
| Dash et al. | Application of artificial intelligence in automation of supply chain management | |
| Kumar et al. | si 3-Industry: A sustainable, intelligent, innovative, internet-of-things industry | |
| Sheffi | Balancing green: When to embrace sustainability in a business (and when not to) | |
| Shukla et al. | Agri‐fresh produce supply chain management: a state‐of‐the‐art literature review | |
| Weber et al. | The last-mile logistical challenges of an omnichannel grocery retailer: A South African perspective | |
| CN112365283B (zh) | 一种优惠券发放方法、装置、终端设备及存储介质 | |
| Xue et al. | Social media user behavior analysis applied to the fashion and apparel industry in the big data era | |
| Jin et al. | Sustainable digital marketing under big data: an AI random forest model approach | |
| Alizadeh et al. | Suitable delivery system in small e-commerce companies | |
| CN110288423A (zh) | 一种s2b2c的商业模式 | |
| Ouro‐Salim et al. | The use of Big Data to mitigate waste in agri‐food supply chains | |
| Nguyen et al. | Artificial intelligence (AI)-driven services | |
| Fuchs et al. | Business intelligence for destinations: Creating knowledge from social media | |
| Frohmann | Digital pricing: A guide to strategic pricing for the digital economy | |
| Crandall et al. | How Management Programs Can Improve Organization Performance: Selecting and Implementing the Best Program for Your Organization | |
| Ranjekar et al. | Rise of quick commerce in India: business models and infrastructure requirements | |
| Huang et al. | Comparison of E-Commerce Retail Between China and Japan | |
| Holmér et al. | Development of a data-driven marketing strategy for an online pharmacy | |
| Ghanbari | Presenting the smart-sustainable supply chain model based on artificial intelligence | |
| Liu | Method to Facilitate E-Commerce Buying Power by Using Machine Learning Techniques | |
| Sigmund | Advanced Analytics and Big Data in Supply Chain Planning | |
| Quayson et al. | Machine Learning and Supply Chain Management |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |