具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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，可以是两个部件内部的连通或两个部件的相互作用关系。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。

本发明实施例提供的一种就餐高峰预测方法，如图1所示，具体包括：

步骤1）获取连续历史星期中的同个星期（指定星期）的同个就餐时间点的历史就餐人数，形成数据集，记为，为1-7中的任意一个自然数（分别表示星期一、星期二、星期三、星期四、星期五、星期六和星期日），表示第个历史星期（优选取值为1-5中的任意一个自然数，更优选地，取值为5，即获取连续5个历史星期的历史就餐人数数据），表示在星期的就餐时间点的历史就餐人数（就餐时间点为就餐时段中的一个就餐时间点，比如中午10:30-13:00为午餐就餐时段，那么11:00或者11:15等为该午餐就餐时段的其中一个就餐时间点，为了便于对在不同时间点就餐的就餐人数的数据统计，本实施例优选以15分钟为间隔，将就餐时段划分为若干个就餐人数统计时间点，该统计时间点即所述的就餐时间点，用表示，与下一个就餐人数统计时间点的间隔时间优选为15分钟），表示第个历史星期中的星期的就餐时间点的历史就餐人数；

步骤2）根据所获取的数据集，并通过以下公式（1）计算各历史星期中的同个星期的同个就餐时间点的历史就餐人数的平均值，

图5示出了计算历史就餐人数平均值的示例图。图5中框选出的29号、5号、12号、19号、26号均对应星期二，29号为历史星期中的星期二，5号为历史星期中的星期二；12号为历史星期中的星期二；19号为历史星期中的星期二；26号为历史星期中的星期二。图5中框选出的“2号”为需要进行就餐人数预测的星期二。

比如29号的11点整（历史就餐时间点）的就餐人数为80，5号11点整的就餐人数为13；12号11点整的就餐人数为55；19号11点整的就餐人数为103；26号的就餐人数为97，那么根据公式（1），计算得到平均值；

由于5号11点的就餐人数大幅减少为13可能是因为受暴雨等恶劣环境天气等因素的影响，该就餐人数数据并非为正常的就餐人数数据，所以需要将非正常的数据予以剔除，为剔除非正常就餐人数数据，本实施例提供就餐高峰预测方法还包括：

步骤3）判断每个星期的就餐时间点的历史就餐人数与平均值的比值是否小于第一阈值（经实际分析总结，第一阈值优选为0.5）或大于第二阈值（第二阈值优选为1.5），

若是，则从数据集中剔除对应的星期的就餐时间点的历史就餐人数并返回步骤2）重新计算平均值；比如5号11点的就餐人数为13，平均值为69.6，，则将5号11点的就餐人数数据剔除，然后根据剩余的在该就餐时间点的历史就餐人数数据重新计算平均值（四舍五入确定为84人）；

若否，则以步骤2）计算的平均值作为对星期的星期的同个就餐时间点的就餐人数的预测结果；

步骤4）校正预测结果，并将关联同个星期中的对应就餐时间点的多个校正结果拟合为就餐高峰预测曲线（拟合曲线如图6所示）并通过智能终端推送给用户。

图2示出了本发明对就餐人数预测结果进行校正的方法步骤图。如图2所示，本实施例校正就餐人数预测结果的方法具体包括：

步骤4.1）计算每个用户（就餐人员，智慧食堂的就餐服务系统中记录有每个就餐人员的身份信息以及就餐记录，智慧食堂通常采用订餐制度，餐饮服务对象群体固定，所以可以根据每个就餐对象的身份信息和历史就餐信息计算出其在某个就餐时间点到食堂就餐的初始概率）在星期的就餐时间点到食堂就餐的初始概率，记为，通过以下公式（2）计算而得：

公式（2）中，表示用户在历史星期的每个星期的就餐时间点有用餐行为的次数，表示用户在历史星期的每个星期的就餐时间点有用餐行为和无用餐行为的总次数；

比如，用户在历史星期、、、的星期二（分别对应图5中框选出的29号、5号、12号和26号）的11：00有用餐行为，在历史星期的星期二（对应图5中框选出的19号）的11:00没有用餐行为，则该用户在星期（的下一个星期）的星期二的11:00到该食堂用餐的初始概率，表示该用户有80%的概率会在10:45-11:00之间到该食堂就餐；

但由于智慧食堂的服务对象通常为公司员工或学校师生，他们的就餐规律有一个特点，通常在周一到食堂就餐的概率最高，周二周三周四次之，周五到食堂就餐的概率最小。周五周六放假休息到食堂就餐的概率基本为零。而且午餐的就餐概率最高，早餐次之，晚餐多数回家吃饭，就餐概率最低，所以一个星期中的不同日，同一日的不同就餐时段对是否就餐的影响程度并不一致，为此本发明通过赋予不同星期和同个星期的不同就餐时间点相对应的用餐影响权重，对初始概率进行校正；

步骤4.2）赋予星期中的星期以及星期中的就餐时间点相对应的用餐影响权重，分别记为和；比如赋予星期一的用餐影响权重为1，赋予星期二的用餐影响权重为0.95、赋予星期三的用餐影响权重为0.9，赋予星期四的权重为0.85，赋予星期五的权重为0.8等。赋予处于午餐时段的就餐时间点的用餐影响权重为1，赋予处于早餐时段的就餐时间点的用餐影响权重为0.95，赋予处于晚餐时段的就餐时间点的用餐影响权重为0.9；

步骤4.3）通过以下公式（3）校正步骤1）计算的初始概率，得到用户在星期中的星期中的就餐时间点进行就餐的概率，

4.4）判断经校正后的概率的概率值是否大于对应的概率阈值，

若是，则将用户确定为会在星期中的星期的就餐时间点到食堂就餐的人员；

若否，则将用户确定为不会在星期中的星期的就餐时间点到食堂就餐的人员；

4.5）从数据库中匹配出步骤4.4）所确定的会在星期中的星期的就餐时间点到食堂就餐的人数对应的就餐人数预测影响因子，并计算步骤3）得到的预测结果中记载的就餐人数与匹配到的影响因子的乘积作为预测得到的就餐人数；

我们发现，根据就餐概率预测的就餐人数与实际的就餐人数具有变化规律可循的关系，我们将这种变化关系用影响因子表示，根据就餐概率预测得到的就餐人数所对应的影响因子，我们对步骤3）以平均值估算的就餐人数预测结果进行校正。考虑到保密原因，本发明不对该变化关系的获取过程进行具体阐述。

4.6）实时获取在星期中的星期的就餐时间点到食堂就餐的就餐人数，并通过以下公式（4）计算步骤4.5）计算得到的预测就餐人数的误差率：

公式（4）中，表示步骤4.5）计算得到的在星期中的星期的就餐时间点到食堂就餐的预测就餐人数；

表示在星期中的星期的就餐时间点到食堂就餐的真实就餐人数；

获取食堂实时就餐人数的方法有许多，比如可根据某个时间段的就餐结算人员数量计算该时间段内的就餐人员数量。但以结算量统计就餐人数的统计结果准确率不高，本发明统计每个就餐时间点的就餐人数的方法优选为：

在每张餐桌上安装若干个人体感应器，每个人体感应器对一个对应餐位（一张餐桌可能有两个餐位，可能有四个餐位也可能有10个餐位等）进行人体感应，每个人体感应器的感应方向朝下地面（感应方向朝上或朝其他方向，容易将非就餐人员，比如食堂工作人员，就餐完毕离去的人员感应为就餐人员，影响就餐人数统计准确度），当就餐人员落座后，人体感应器在一预设持续时间（比如持续10s）内若持续感应到人体，则与各人体感应器通信连接的控制器判定对应餐位有就餐人员，并将对应餐位的就餐人数记为“1”，否则记为“0”，控制器完成对所有餐位有无就餐人员的判定后，对判定结果进行累加，得到就餐时间点的真实就餐人数。

4.7）根据就餐时间点的所处就餐时段的就餐人数的递增或递减趋势，并结合误差率，对就餐时间点的下一个就餐时间点的预测就餐人数进行校正，具体校正方法为：

若就餐时间点在就餐时段中处于就餐人数单调递增区间（比如图6中的就餐时段11:00-11:30的就餐人数为一单调递增区间，就餐时间点11:15处于该单调递增区间中），则通过以下公式（5）校正就餐时间点（比如11:15）的预测就餐人数：

公式（5）中，表示经校正后的在就餐时间点进行就餐的预测就餐人数；

表示误差率；

表示校正前的在就餐时间点进行就餐的预测就餐人数。

若就餐时间点在就餐时段中处于就餐人数单调递减区间（比如图5中的11:30-11:45的就餐人数为一单调递减区间，就餐时间点11:30处于该单调递交区间中），则通过以下公式（6）校正就餐时间点（比如11:30）的预测就餐人数：

本发明还提供了一种就餐高峰预测装置，可实现所述的就餐高峰预测方法，如图3所示，该装置包括：

历史就餐人数获取模块，用于获取连续历史星期中的同个星期的同个就餐时间点的历史就餐人数，并形成数据集，记为，为1-7中的任意一个自然数，表示第个历史星期，表示在星期的就餐时间点的历史就餐人数，表示第个历史星期中的星期的就餐时间点的历史就餐人数；

历史就餐人数平均值计算模块，连接历史就餐人数获取模块，用于根据所获取的数据集，计算各历史星期中的同个星期的同个就餐时间点的历史就餐人数的平均值；

数据处理模块，连接历史就餐人数平均值计算模块，用于判断每个星期的就餐时间点的历史就餐人数与平均值的比值是否小于第一阈值或大于第二阈值，

若是，则从数据集中剔除对应的星期的就餐时间点的历史就餐人数；

若否，则将平均值作为对星期的星期的同个就餐时间点的就餐人数的预测结果输出给数据校正模块；

历史就餐人数平均值计算模块，还用于在数据处理模块剔除数据后重新计算平均值；

数据校正模块，连接数据处理模块，用于校正预测结果；

数据拟合模块，连接数据校正模块，用于将经结果校正后的关联同个星期中的对应就餐时间点的多个校正结果拟合为星期的就餐高峰预测曲线；

结果推送模块，连接数据拟合模块，用于将就餐高峰预测曲线通过智能终端推送给用户。

如图4所示，数据校正模块中具体包括：

就餐初始概率计算单元，用于计算预测结果中的每个用户在星期的就餐时间点到食堂就餐的初始概率，记为，通过以下公式（7）计算而得：

公式（7）中，表示用户在历史星期的每个星期的就餐时间点有用餐行为的次数，表示用户在历史星期的每个星期的就餐时间点有用餐行为和无用餐行为的总次数；

权重赋予单元，用于赋予星期中的星期以及星期中的就餐时间点相对应的就餐影响权重，分别记为和；

概率校正单元，分别连接就餐初始概率计算单元和权重赋予单元，用于通过以下公式（8）校正初始概率，得到用户在星期中的星期中的就餐时间点进行就餐的概率，

就餐人数第一校正单元，连接概率校正单元，用于判断经校正后的概率的概率值是否大于对应的概率阈值，

若是，则将用户确定为会在星期中的星期的就餐时间点到食堂就餐的人员；

若否，则将用户确定为不会在星期中的星期的就餐时间点到食堂就餐的人员；

就餐人数预测影响因子匹配单元，连接就餐人数第一校正单元和数据库，用于从数据库中匹配出所确定的会在星期中的星期的就餐时间点到食堂就餐的人数对应的就餐人数预测影响因子；

就餐人数预测单元，连接数据处理模块和就餐人数预测影响因子匹配单元，用于计算预测结果中记载的就餐人数与匹配到的影响因子的乘积作为预测得到的会在星期中的星期的所述就餐时间点到食堂就餐的人数；

就餐人数实时获取单元，用于实时获取在星期中的星期的就餐时间点到食堂就餐的就餐人数；

就餐人数预测误差计算单元，分别连接就餐人数预测单元和就餐人数实时获取单元，用于通过以下公式（9）计算就餐人数预测单元计算得到的预测就餐人数的误差率：

公式（9）中，表示经就餐人数预测单元计算得到的会在星期中的星期的就餐时间点到食堂就餐的预测就餐人数；

表示在星期中的星期的就餐时间点到食堂就餐的真实就餐人数；

就餐人数第二校正单元，分别连接就餐人数预测误差计算单元和就餐人数预测单元，用于判断所述就餐时间点的下一个就餐时间点在就餐时段中是否处于就餐人数单调递增区间，

若是，则通过以下公式（10）校正就餐时间点的预测就餐人数：

公式（10）中，表示经校正后的在就餐时间点进行就餐的预测就餐人数；

表示误差率；

表示就餐人数预测单元对就餐时间点的预测就餐人数；

若否，则通过以下公式（11）校正就餐时间点的预测就餐人数：

公式（11）中，表示经校正后的在就餐时间点进行就餐的预测就餐人数；

表示误差率；

表示就餐人数预测单元对就餐时间点的预测就餐人数。

需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。