Skip to content
/ GYLAF Public

Guess You Like About Food🍗.Canteen automatic settlement and intelligent meal recommendation system.

Notifications You must be signed in to change notification settings

pgcai/GYLAF

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

45 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

大学生创新创业项目-天津市级

The project was set up in TianJin Normal University. 2019-04

项目名称:智取乐食

项目介绍:

"智取乐食"利用RFID射频识别技术、称重传感器、大数据分析和数据挖掘技术,设计一款集Web端、微信小程序后台算法于一体的项目。实现餐饮食品自动扣费、每日膳食推荐、个人饮食喜好设置、特色菜品推荐、食物销量预测等功能。项目有效缓解高校食堂食品浪费现象严重,提高学生饮食质量,发挥人性化餐饮服务和科学合理节约的特色。

项目特点:

在软件上,使用微信小程序使用户使用更加便捷,利用大数据技术减少食物浪费并进行人性化推荐;
在硬件上,使用REID射频识别技术和称重传感器技术实现自动扣费方式;
在方式上,自动扣费方式减少学生结账时间进而提高食堂效率,减少人力成本;

使用技术:

RFID射频识别&称重传感器 前端 数据库 微信小程序 数据分析与挖掘 机器学习 深度学习

我的工作:数据分析与挖掘

1. 定义挖掘目标

针对餐饮行业的数据挖掘应用,可定义如下挖掘目标。

  1. 每日膳食推荐智能推荐。
  2. 基于餐饮大数据,对餐饮客户价值分析。
  3. 基于菜品历史销售情况,综合外部因素(节假日、气候、竞争对手等),对菜品销量进行趋势预测。

2. 数据取样

抽取数据的的标准,一是相关性、二是可靠性、三是有效性。 本项目中取样:
个人属性(/dataset/用户属性new.xls): 用户id 性名 性别 年龄 身高 体重 籍贯 口味1 口味2 忌口 喜爱食物类型1 喜爱食物类型2 交易记录(/dataset/交易记录.csv):用户id 食物id 消费单价 消费质量 消费金额 消费时间

个人属性表(数据已进行脱敏处理)

3. 数据探索

当拿到一个样本数据集后,ta是否达到了我们原来设想的要求;样本中有没有什么明显的规律和趋势;有没有从未设想的数据状态;属性之间有什么相关性;ta们可区分成怎样的类别等,这都是要探索的内容。
挖掘模型的质量不会超过抽取样本的质量。数据探索和预处理的目的是为了保证样本数据的质量,从而为保证模型质量打下基础。

单类食物销量日折线图

单类食物销量日柱状图

4. 数据预处理

由于采样数据中常常包含许多含有噪声、不完整、甚至不一致的数据,对数据挖掘所设计的数据对象必须进行预处理。
数据预处理主要包括:数据筛选、数据变量转换、缺失值处理、坏数据处理、数据标准化、主成分分析、属性选择、数据规约等。
个人属性(/dataset/用户属性new.xls)&交易记录(/dataset/交易记录.csv)为预处理后的文件。

5. 挖掘建模

样本抽取完成后,接下来要考虑的问题是:本次建模属于数据挖掘应用中的哪类问题(分类、聚类、关联规则、时序模式或智能推荐)选用哪种算法进行模型构建?
这一步是数据挖掘工作的核心环节。针对餐饮行业的数据挖掘应用,挖掘建模主要包括:

  1. 基于聚类&关联规则算法的动态菜品智能推荐
  2. 基于聚类算法的餐饮客户价值分析
  3. 基于LSTM(长短期记忆网络)算法的菜品销量预测 以菜品销量为例,模型构建是对菜品历史销量,综合考虑了节假日、气候和竞争对手等采样数据轨迹的概括,ta反应的是采样数据内部结构的一般特征,并于该采样数据的具体结构基本吻合。模型的具体化就是菜品销量预测公式,公式可以产生与观测值有相似结构的输出,这就是预测值。

6. 模型评价

建模过程中会得出一系列分析结果,模型评价的目的之一就是从这些模型中自动找出最好的模型,另外就是要根据业务对模型进行解释和应用。

具体细节&展示

1.基于关联规则算法的动态菜品智能推荐

1.K-modes算法原理

k-modes算法根据个人喜好特征进行聚类,生成的聚类中心(部分)

聚类后每个人所处的聚类点类别(部分)

根据类别在 消费表 里检索出相同标签用户 最近最多购买 且该用户未购买过的食品。

2.基于聚类算法的餐饮客户人群分析

1.K-modes:将人群按食物喜好聚类为几类人群. 如上k-modes聚类步骤。最后将个人属性类别插入个人属性表。

3.基于分类与预测算法的菜品销量预测

1.LSTM(长短期记忆网络) 以日期属性(是否节假日等)、天气属性(日照,风力,空气质量)作为输入,单样菜品作为输出进行深度神经网络的训练。 共126day数据,将前100天划作训练集,后26天作为测试集。

日期属性图 ./dataset/date.xlsx

loss(损失)曲线(每种菜品单独建模,该曲线为其中一条以示例用)

保存的预测模型 ./model/model*.hdf5(用keras load_model函数读取)

酸菜鱼的26day预测折线图

酸菜鱼的未来销量预测折线图

14种食物2018-2019年的食物销量预测

预测结果:83.5%的日期预测误差在±2kg以内,可以极大减少食堂食物浪费问题。

About

Guess You Like About Food🍗.Canteen automatic settlement and intelligent meal recommendation system.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages