本發(fā)明屬于數(shù)據(jù)處理，具體涉及一種基于大數(shù)據(jù)的團(tuán)餐消費(fèi)行為分析方法。

背景技術(shù)：

1、團(tuán)餐消費(fèi)行為分析主要聚焦于團(tuán)體用餐的決策過程、消費(fèi)習(xí)慣和影響因素。決策方面，通常由組織者或負(fù)責(zé)人進(jìn)行選擇，考慮因素包括預(yù)算、口味、人數(shù)、用餐地點(diǎn)和時(shí)間等。消費(fèi)習(xí)慣上，團(tuán)餐更傾向于選擇性價(jià)比高、口味大眾化、分量足的菜品，對(duì)菜品創(chuàng)新和個(gè)性化的需求相對(duì)較低。影響因素方面，除了價(jià)格和口味，用餐環(huán)境、服務(wù)質(zhì)量、品牌口碑、交通便利性等也會(huì)影響選擇。近年來，隨著消費(fèi)升級(jí)和健康意識(shí)的提升，團(tuán)餐消費(fèi)也逐漸向健康化、品質(zhì)化方向發(fā)展，對(duì)食材新鮮度、營養(yǎng)搭配、少油少鹽等方面的要求日益提高。通過分析團(tuán)餐消費(fèi)行為，可以幫助餐飲企業(yè)更好地了解市場需求，優(yōu)化產(chǎn)品和服務(wù)，提升競爭力。在現(xiàn)有技術(shù)中，常常依靠人工定時(shí)對(duì)團(tuán)餐消費(fèi)行為進(jìn)行分析，然后再制定優(yōu)化策略，不僅存在效率低下的問題，還可能因分析人員的不同以及人為疏忽導(dǎo)致分析不準(zhǔn)確，因此，亟需一種自動(dòng)化的團(tuán)餐消費(fèi)行為分析方法，以解決現(xiàn)有技術(shù)中存在的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于大數(shù)據(jù)的團(tuán)餐消費(fèi)行為分析方法，用以解決現(xiàn)有技術(shù)中人工分析效率低下以及不準(zhǔn)確的問題。

2、本發(fā)明提供一種基于大數(shù)據(jù)的團(tuán)餐消費(fèi)行為分析方法，包括：

3、提供用戶交互界面，并接收用戶通過用戶交互界面輸入團(tuán)餐消費(fèi)行為大數(shù)據(jù)以及團(tuán)餐消費(fèi)行為大數(shù)據(jù)對(duì)應(yīng)的行為標(biāo)簽；

4、接收用戶通過用戶交互界面輸入的學(xué)習(xí)模型選擇指令，并根據(jù)所述學(xué)習(xí)模型選擇指令從云端學(xué)習(xí)模型庫中下載對(duì)應(yīng)的目標(biāo)學(xué)習(xí)模型；

5、加載所述目標(biāo)學(xué)習(xí)模型，并以所述團(tuán)餐消費(fèi)行為大數(shù)據(jù)以及團(tuán)餐消費(fèi)行為大數(shù)據(jù)對(duì)應(yīng)的行為標(biāo)簽為基礎(chǔ)，對(duì)已加載的目標(biāo)學(xué)習(xí)模型進(jìn)行訓(xùn)練，以優(yōu)化所述目標(biāo)學(xué)習(xí)模型對(duì)應(yīng)的模型參數(shù)；

6、優(yōu)化所述目標(biāo)學(xué)習(xí)模型對(duì)應(yīng)的模型參數(shù)之后，通過數(shù)據(jù)接口接入用戶所用的團(tuán)餐系統(tǒng)或者接收用戶通過人機(jī)交互輸入的團(tuán)餐消費(fèi)行為實(shí)時(shí)數(shù)據(jù)；

7、調(diào)度優(yōu)化之后的所述目標(biāo)學(xué)習(xí)模型對(duì)所述團(tuán)餐消費(fèi)行為實(shí)時(shí)數(shù)據(jù)進(jìn)行識(shí)別，確定團(tuán)餐消費(fèi)行為識(shí)別結(jié)果，并將所述團(tuán)餐消費(fèi)行為識(shí)別結(jié)果傳輸至用戶指定的目標(biāo)設(shè)備中。

8、進(jìn)一步地，所述用戶交互界面包括：用于輸入數(shù)據(jù)的第一界面以及第一界面配置的數(shù)據(jù)輸入接口；

9、所述用戶交互界面還包括：用于介紹各個(gè)學(xué)習(xí)模型輸入輸出類型的第二界面以及用于選擇目標(biāo)學(xué)習(xí)模型的第三界面，以接收用戶通過用戶交互界面輸入的學(xué)習(xí)模型選擇指令。

10、進(jìn)一步地，所述云端學(xué)習(xí)模型庫包括：支持向量機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶神經(jīng)網(wǎng)絡(luò)以及bp神經(jīng)網(wǎng)絡(luò)。

11、進(jìn)一步地，根據(jù)所述學(xué)習(xí)模型選擇指令從云端學(xué)習(xí)模型庫中下載對(duì)應(yīng)的目標(biāo)學(xué)習(xí)模型，包括：

12、鏈接到所述云端學(xué)習(xí)模型庫，在所述云端學(xué)習(xí)模型庫中搜索關(guān)于學(xué)習(xí)模型選擇指令對(duì)應(yīng)的目標(biāo)學(xué)習(xí)模型；

13、搜索到所述目標(biāo)學(xué)習(xí)模型之后，通過云端服務(wù)器的api接口從云端學(xué)習(xí)模型庫中下載對(duì)應(yīng)的目標(biāo)學(xué)習(xí)模型。

14、進(jìn)一步地，加載所述目標(biāo)學(xué)習(xí)模型，并以所述團(tuán)餐消費(fèi)行為大數(shù)據(jù)以及團(tuán)餐消費(fèi)行為大數(shù)據(jù)對(duì)應(yīng)的行為標(biāo)簽為基礎(chǔ)，對(duì)已加載的目標(biāo)學(xué)習(xí)模型進(jìn)行訓(xùn)練，以優(yōu)化所述目標(biāo)學(xué)習(xí)模型對(duì)應(yīng)的模型參數(shù)，包括：

15、將所述目標(biāo)學(xué)習(xí)模型安裝于本地之后，對(duì)所述目標(biāo)學(xué)習(xí)模型的模型參數(shù)進(jìn)行初始化，獲取多個(gè)模型參數(shù)個(gè)體；

16、以所述多個(gè)模型參數(shù)個(gè)體為基礎(chǔ)，根據(jù)所述團(tuán)餐消費(fèi)行為大數(shù)據(jù)以及團(tuán)餐消費(fèi)行為大數(shù)據(jù)對(duì)應(yīng)的行為標(biāo)簽，并采用全局變速搜索算法對(duì)所述目標(biāo)學(xué)習(xí)模型進(jìn)行訓(xùn)練，確定優(yōu)化之后的所述目標(biāo)學(xué)習(xí)模型對(duì)應(yīng)的模型參數(shù)。

17、進(jìn)一步地，以所述多個(gè)模型參數(shù)個(gè)體為基礎(chǔ)，根據(jù)所述團(tuán)餐消費(fèi)行為大數(shù)據(jù)以及團(tuán)餐消費(fèi)行為大數(shù)據(jù)對(duì)應(yīng)的行為標(biāo)簽，并采用全局變速搜索算法對(duì)所述目標(biāo)學(xué)習(xí)模型進(jìn)行訓(xùn)練，確定優(yōu)化之后的所述目標(biāo)學(xué)習(xí)模型對(duì)應(yīng)的模型參數(shù)，包括：

18、根據(jù)所述團(tuán)餐消費(fèi)行為大數(shù)據(jù)以及團(tuán)餐消費(fèi)行為大數(shù)據(jù)對(duì)應(yīng)的行為標(biāo)簽，獲取每個(gè)模型參數(shù)個(gè)體對(duì)應(yīng)的適應(yīng)度，并確定適應(yīng)度最大的最優(yōu)參數(shù)個(gè)體以及適應(yīng)度最小的最差參數(shù)個(gè)體；

19、令模型參數(shù)個(gè)體變速學(xué)習(xí)最優(yōu)參數(shù)個(gè)體以及其鄰域參數(shù)個(gè)體，獲取變速學(xué)習(xí)之后的模型參數(shù)個(gè)體；

20、令變速學(xué)習(xí)之后的模型參數(shù)個(gè)體進(jìn)行多源數(shù)據(jù)融合搜索，獲取多源數(shù)據(jù)融合搜索之后的模型參數(shù)個(gè)體；

21、令最優(yōu)參數(shù)個(gè)體進(jìn)行全局?jǐn)U張搜索，獲取全局?jǐn)U張搜索之后的最優(yōu)參數(shù)個(gè)體；

22、令最差參數(shù)個(gè)體進(jìn)行自適應(yīng)變螺旋搜索，獲取自適應(yīng)變螺旋搜索之后的最差參數(shù)個(gè)體；

23、將多源數(shù)據(jù)融合搜索之后的模型參數(shù)個(gè)體、全局?jǐn)U張搜索之后的最優(yōu)參數(shù)個(gè)體以及自適應(yīng)變螺旋搜索之后的最差參數(shù)個(gè)體重新融合為一個(gè)種群，得到當(dāng)前訓(xùn)練種群；

24、判斷當(dāng)前訓(xùn)練次數(shù)是否大于或者等于最大訓(xùn)練次數(shù)，若是，則根據(jù)當(dāng)前訓(xùn)練種群確定優(yōu)化之后的所述目標(biāo)學(xué)習(xí)模型對(duì)應(yīng)的模型參數(shù)，否則返回確定適應(yīng)度最大的最優(yōu)參數(shù)個(gè)體以及適應(yīng)度最小的最差參數(shù)個(gè)體的步驟。

25、進(jìn)一步地，令模型參數(shù)個(gè)體變速學(xué)習(xí)最優(yōu)參數(shù)個(gè)體以及其鄰域參數(shù)個(gè)體，獲取變速學(xué)習(xí)之后的模型參數(shù)個(gè)體，包括：

26、將當(dāng)前訓(xùn)練次數(shù)與指數(shù)函數(shù)相結(jié)合，獲取導(dǎo)向?qū)W習(xí)因子；同時(shí)采用模型參數(shù)個(gè)體對(duì)應(yīng)的適應(yīng)度獲取鄰域?qū)W習(xí)因子；

27、根據(jù)所述導(dǎo)向?qū)W習(xí)因子以及所述鄰域?qū)W習(xí)因子，采用最優(yōu)參數(shù)個(gè)體及所述模型參數(shù)個(gè)體對(duì)應(yīng)的鄰域參數(shù)個(gè)體對(duì)所述模型參數(shù)個(gè)體進(jìn)行變速學(xué)習(xí)，獲取變速學(xué)習(xí)之后的模型參數(shù)個(gè)體。

28、進(jìn)一步地，令變速學(xué)習(xí)之后的模型參數(shù)個(gè)體進(jìn)行多源數(shù)據(jù)融合搜索，獲取多源數(shù)據(jù)融合搜索之后的模型參數(shù)個(gè)體，包括：

29、獲取每個(gè)模型參數(shù)個(gè)體對(duì)應(yīng)的歷史最優(yōu)值，并對(duì)多個(gè)來源的歷史最優(yōu)值進(jìn)行融合，確定綜合歷史最優(yōu)個(gè)體；

30、根據(jù)當(dāng)前訓(xùn)練次數(shù)獲取量子搜索因子，并根據(jù)所述綜合歷史最優(yōu)個(gè)體以及量子搜索因子，對(duì)變速學(xué)習(xí)之后的模型參數(shù)個(gè)體進(jìn)行多源數(shù)據(jù)融合搜索，得到多源數(shù)據(jù)融合搜索之后的模型參數(shù)個(gè)體。

31、進(jìn)一步地，令最優(yōu)參數(shù)個(gè)體進(jìn)行全局?jǐn)U張搜索，獲取全局?jǐn)U張搜索之后的最優(yōu)參數(shù)個(gè)體，包括：

32、獲取最優(yōu)參數(shù)個(gè)體對(duì)應(yīng)的反向解，并判斷所述最優(yōu)參數(shù)個(gè)體對(duì)應(yīng)的反向解對(duì)應(yīng)的適應(yīng)度是否大于最優(yōu)參數(shù)個(gè)體對(duì)應(yīng)的適應(yīng)度，若是，則令反向解為全局?jǐn)U張搜索之后的最優(yōu)參數(shù)個(gè)體，否則令原最優(yōu)參數(shù)個(gè)體為全局?jǐn)U張搜索之后的最優(yōu)參數(shù)個(gè)體。

33、進(jìn)一步地，令最差參數(shù)個(gè)體進(jìn)行自適應(yīng)變螺旋搜索，獲取自適應(yīng)變螺旋搜索之后的最差參數(shù)個(gè)體，包括：

34、以當(dāng)前訓(xùn)練次數(shù)為基礎(chǔ)，獲取自適應(yīng)慣性權(quán)重以及自適應(yīng)變螺旋因子；

35、根據(jù)所述最優(yōu)參數(shù)個(gè)體、自適應(yīng)慣性權(quán)重以及自適應(yīng)變螺旋因子，結(jié)合指數(shù)函數(shù)以及余弦函數(shù)對(duì)最差參數(shù)個(gè)體進(jìn)行自適應(yīng)變螺旋搜索，得到自適應(yīng)變螺旋搜索之后的最差參數(shù)個(gè)體。

36、本發(fā)明提供的一種基于大數(shù)據(jù)的團(tuán)餐消費(fèi)行為分析方法，通過用戶輸入的學(xué)習(xí)模型選擇指令從云端學(xué)習(xí)模型庫中下載對(duì)應(yīng)的目標(biāo)學(xué)習(xí)模型并加載，然后根據(jù)用戶通過用戶交互界面輸入團(tuán)餐消費(fèi)行為大數(shù)據(jù)以及團(tuán)餐消費(fèi)行為大數(shù)據(jù)對(duì)應(yīng)的行為標(biāo)簽，對(duì)已加載的目標(biāo)學(xué)習(xí)模型進(jìn)行訓(xùn)練，以優(yōu)化所述目標(biāo)學(xué)習(xí)模型對(duì)應(yīng)的模型參數(shù)，最后調(diào)度優(yōu)化之后的所述目標(biāo)學(xué)習(xí)模型對(duì)所述團(tuán)餐消費(fèi)行為實(shí)時(shí)數(shù)據(jù)進(jìn)行識(shí)別，確定團(tuán)餐消費(fèi)行為識(shí)別結(jié)果，能夠有效的輔助用戶進(jìn)行定時(shí)分析任務(wù)，極大地提高了團(tuán)餐消費(fèi)行為的分析效率以及比避免了人為分析失誤的問題，并且有效地降低了對(duì)分析人員的要求。