航班配餐预测方法、装置、可读存储介质及电子设备与流程

文档序号:14266451阅读:201来源:国知局
航班配餐预测方法、装置、可读存储介质及电子设备与流程

本公开涉及航空数据分析领域,具体地,涉及一种航班配餐预测方法、装置、可读存储介质及电子设备。



背景技术:

随着经济社会的发展,选择乘坐飞机出行的旅客越来越多,在飞机上就餐也成为了一个必不可少的环节,这样,如何使得飞机上配备的食物量和旅客消费的数量尽可能接近,以最大限度地节约成本,是对航班配餐数量进行预测的目标。

现阶段,主要通过以下两种方式来对航班配餐数量进行预测:(1)基于报童理论,即基于报童卖报的场景,利用历史配餐数据做航班配餐的概率分布拟合,并根据该概率分布计算获得最小损失的配餐数量。由于该方法假设了航班配餐的概率分布是相对稳定的,从而可以直接通过观测历史数据来预测航班配餐数量。(2)采用自回归滑动平均模型(auto-regressiveandmovingaveragemodel,arma模型)直接对航班人数进行回归预测,根据预测出的航班人数来确定航班配餐数量。这种方法是从航班人数精准预测的方式,达到航班配餐和航班旅客之间的精确匹配,这种匹配方法是将预测到的误差平方的最小值作为航班配餐数量的最优解。由于上述两种方式均是基于航班人数来对航班配餐数量进行预测的,二者均未考虑外界因素对航班人数的影响,因此,该两种方式均无法实现航班配餐数量的精准预测。



技术实现要素:

为了解决相关技术中存在的问题,本公开提供一种航班配餐预测方法、装置、可读存储介质及电子设备。

为了实现上述目的,本公开提供一种航班配餐预测方法,包括:

获取目标航班的外界环境影响信息和实际配餐需求量的历史值;

根据所述外界环境影响信息和所述实际配餐需求量的历史值,预测所述目标航班的目标配餐数量。

可选地,所述根据所述外界环境影响信息和所述实际配餐需求量的历史值,预测所述目标航班的目标配餐数量,包括:

将所述外界环境影响信息的当前值和所述实际配餐需求量的历史值作为广义线性模型的输入变量,通过所述广义线性模型预测所述目标航班的目标配餐数量。

可选地,所述根据所述外界环境影响信息和所述实际配餐需求量的历史值,预测所述目标航班的目标配餐数量,包括:

根据所述外界环境影响信息的当前值、所述实际配餐需求量的历史值和每个所述实际配餐需求量的历史值所对应的外界环境影响信息,确定所述目标航班的配餐数量概率分布;

根据所述配餐数量概率分布、第一配餐成本和第二配餐成本,预测所述目标航班的目标配餐数量,其中,所述第一配餐成本为预先准备所述配餐的成本,所述第二配餐成本为临时补充所述配餐的成本。

可选地,所述根据所述外界环境影响信息的当前值、所述实际配餐需求量的历史值和每个所述实际配餐需求量的历史值所对应的外界环境影响信息,确定所述目标航班的配餐数量概率分布,包括:

将所述外界环境影响信息的当前值、所述实际配餐需求量的历史值和每个所述实际配餐需求量的历史值所对应的外界环境影响信息作为softmax回归模型的输入变量,通过所述softmax回归模型确定所述目标航班的配餐数量概率分布。

可选地,在根据所述配餐数量概率分布、第一配餐成本和第二配餐成本,预测所述目标航班的目标配餐数量的步骤之前,所述方法还包括:

对所述配餐数量概率分布进行平滑处理。

可选地,所述根据所述配餐数量概率分布、第一配餐成本和第二配餐成本,预测所述目标航班的目标配餐数量,包括:

根据所述配餐数量概率分布,将满足这一条件的最小k值确定为所述目标配餐数量,其中,zi为配餐数量为i的概率;tyz为预设阈值,且tyz根据所述第一配餐成本和所述第二配餐成本来确定。

可选地,所述预设阈值与所述第一配餐成本和所述第二配餐成本具有如下关系:

其中,e为所述第一配餐成本;f为所述第二配餐成本。

本公开还提供一种航班配餐预测装置,包括:

获取模块,用于获取目标航班的外界环境影响信息和实际配餐需求量的历史值;

预测模块,用于根据所述获取模块获取到的所述外界环境影响信息和所述实际配餐需求量的历史值,预测所述目标航班的目标配餐数量。

本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开提供的所述航班配餐预测方法的步骤。

本公开还提供一种电子设备,包括:

本公开提供的所述计算机可读存储介质;以及

一个或者多个处理器,用于执行所述计算机可读存储介质中的程序。

通过上述技术方案,根据获取到的目标航班的外界环境影响信息以及实际配餐需求量的历史值,预测出该目标航班的目标配餐数量。由于航班配餐数量与该航班的乘坐人数直接相关,而航班的乘坐人数又很容易受到天气、节假日等外界环境的影响,因此,在对目标航班的目标配餐数量进行预测时,不仅需要考虑该目标航班的历史实际配餐需求量,而且需要将外界环境对目标配餐数量的影响因素也考虑在内。由此,可以实现航班配餐数量的精准预测,从而保证资源的合理配置,使得航班配餐的损失最小化。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:

图1是根据一示例性实施例示出的一种航班配餐预测方法的流程图。

图2是根据另一示例性实施例示出的一种航班配餐预测方法的流程图。

图3是根据一示例性实施例示出的一种预测目标航班的目标配餐数量的方法的流程图。

图4a是根据一示例性实施例示出的一种目标航班的配餐数量概率分布图。

图4b是根据一示例性实施例示出的一种经过平滑处理后的目标航班的配餐数量概率分布图。

图5是根据另一示例性实施例示出的一种航班配餐预测方法的流程图。

图6是根据一示例性实施例示出的一种航班配餐预测装置的框图。

图7是根据另一示例性实施例示出的一种航班配餐预测装置的框图。

图8是根据另一示例性实施例示出的一种航班配餐预测装置的框图。

图9是根据一示例性实施例示出的一种电子设备的框图。

图10是根据另一示例性实施例示出的一种电子设备的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。

图1是根据一示例性实施例示出的一种航班配餐预测方法的流程图。如图1所示,该航班配餐预测方法可以包括以下步骤。

在步骤101中,获取目标航班的外界环境影响信息和实际配餐需求量的历史值。

在本公开中,由于不同天气、不同飞行时段的航班的配餐需求量都会有所不同,因此,在对航班配餐数量进行预测时,需要将外界环境影响因素考虑在内。其中,该外界环境影响信息可以包括对目标航班的目标配餐数量产生影响的各种因素,例如,该外界环境影响信息可以包括天气信息、节假日信息、重大事件信息、航班飞行时段信息等,其中,天气信息可以用于表征是否有雨,并且,当有雨时,航班的乘坐人数可能会相应减少;节假日信息可以用于表征是否为节假日,并且,当为节假日时,航班的乘坐人数可能会相应增多;重大事件信息可以用于表征是否产生重大事件,例如,是否为春运,并且,当为春运时,航班的乘坐人数会大幅度增多;航班飞行时段信息可以用于表征是否为夜间飞行时段(例如,19:00~07:00为夜间飞行时段),并且,当为夜间飞行时段时,航班的乘坐人数可能会相应减少。

另外,上述实际配餐需求量的历史值可以为该目标航班在预设历史时段内的实际配餐需求量,其中,该实际配餐需求量可以用目标航班的实际乘坐人数来衡量。其中,该预设历史时段可以例如是最近一周、最近一月、去年同期等时段,并且,该预设历史时段可以是用户设定的,也可以是默认的经验值,在本公开中不作具体限定。在其他实施方式中,上述实际配餐需求量的历史值也可以为该目标航班在预设历史时段内的实际配餐需求量的均值、最大值、最小值、中值等。

在步骤102中,根据外界环境影响信息和实际配餐需求量的历史值,预测目标航班的目标配餐数量。

在一种实施方式中,上述外界环境影响信息可以包括该外界环境影响信息的当前值,即该目标航班的当前外界环境信息。示例地,该外界环境影响信息的当前值可以包括天气信息的当前值、节假日信息的当前值、重大事件信息的当前值、航班飞行时段信息的当前值中的至少一者。这样,可以将外界环境影响信息的当前值和实际配餐需求量的历史值作为广义线性模型(generalizedlinearmodels,glm)的输入变量,通过该glm模型来预测目标航班的目标配餐数量。

示例地,上述外界环境影响信息的当前值可以包括天气信息的当前值、节假日信息的当前值。这样,可以通过以下等式(1)所示的glm模型来预测所述目标配餐数量:

其中,为所述目标航班的目标配餐数量的估计值;q'为所述实际配餐需求量的历史值,可选地,q'为所述目标航班最近一次飞行时的实际配餐需求量;w为所述天气信息的当前值;d为所述节假日信息的当前值;ε为观测误差;a、b、c分别为q'、w、d的权重系数,且a+b+c=1。

另外,当天气信息用于表征是否有雨时,可以用逻辑值1和0来表示该天气信息,即,用逻辑值1来表示有雨,用逻辑值0来表示无雨;当节假日信息用于表征是否为节假日时,可以用逻辑值1和0来表示是否为节假日,即,用逻辑1来表示为节假日,用逻辑值0来表示不为节假日。

之后,可以基于上述等式(1)中所示的glm模型,通过最小二乘法或梯度下降法对上述的权重系数进行拟合计算。

示例地,通过最小二乘法对上述的权重系数进行拟合计算的具体方式如下:

首先,为了便于计算,可以将上述等式(1)中所示glm模型转换为矩阵形式,即:

其中,θ为与上述权重系数相对应的第一权重系数矩阵,且θt为所述第一权重系数矩阵θ的转置矩阵;x为外界环境信息的当前值的矩阵,且

接下来,根据上述等式(2)中所示的glm模型,通过对预先设定的第一损失函数(其中,yi为所述实际配餐需求量的历史值,为所述实际配餐需求量的历史值的估计值,i=1,2,…,n,n为所述实际配餐需求量的历史值的个数,即样本容量)中的θ进行求导,并令该导数为0,从而求得上述损失函数在最小极值情况下的权重系数的估计值为:

其中,为所述第一权重系数矩阵θ的估计值;xt为所述外界环境信息的当前值的矩阵x的转置矩阵;q为所述目标航班的目标配餐数量。

最后,可以根据上述等式(3)中所示的第一权重系数矩阵的估计值和上述等式(2)中所示的glm模型预测出上述目标配餐数量,即

另外,通过梯度下降法对上述的权重系数进行拟合计算的方式属于现有技术,这里不再赘述。

又示例地,上述外界环境影响信息的当前值可以包括天气信息的当前值、节假日信息的当前值、重大事件信息的当前值、航班飞行时段信息的当前值。这样,可以通过以下等式(4)所示的glm模型来预测所述目标配餐数量:

其中,e为所述重大事件信息的当前值;t为所述航班飞行时段信息的当前值;d、g分别为e、t的权重系数,且a+b+c+d+g=1。

另外,当重大事件信息用于表征是否为春运时,可以用逻辑值1和0来表示该重大事件信息,即,用逻辑值1来表示为春运,用逻辑值0来表示不为春运;当航班飞行时段信息用于表征是否为夜间飞行时段时,可以用逻辑值1和0来表示该航班飞行时段信息,即,用逻辑1来表示为夜间飞行时段,用逻辑值0来表示不为夜间飞行时段,即白天飞行时段。

然后,可以根据上述等式(4)所示的glm模型,通过上述同样的方式来对所述目标配餐数量进行预测,具体实现方式这里不再赘述。

在另一种实施方式中,上述外界环境影响信息可以包括该外界环境影响信息的当前值、以及每个实际配餐需求量的历史值所对应的外界环境影响信息,其中,每个实际配餐需求量的历史值所对应的外界环境影响信息为上述预设历史时段内该目标航班每次飞行时的外界环境影响信息,例如,实际配餐需求量的历史值为该目标航班最近一次飞行时的实际配餐需求量,则该实际配餐需求量的历史值所对应的外界环境影响信息为该目标航班最近一次飞行时的外界环境影响信息。如图2所示,可以通过以下方式来预测目标航班的目标配餐数量。

在步骤1021中,根据外界环境影响信息的当前值、实际配餐需求量的历史值和每个实际配餐需求量的历史值所对应的外界环境影响信息,确定目标航班的配餐数量概率分布。

在一种实施方式中,可以将外界环境影响信息的当前值、实际配餐需求量的历史值和每个实际配餐需求量的历史值所对应的外界环境影响信息作为softmax回归模型的输入变量,通过该softmax回归模型确定目标航班的配餐数量概率分布。示例地,可以通过以下等式(5)所示的softmax回归模型来预测所述目标配餐数量:

其中,zk为配餐数量为k时的概率,且k=1,2,…,m,m为所述目标航班的最大承载量;为q'、以及所述外界环境影响信息中各信息项的第二权重系数矩阵,即softmax回归模型待拟合的权重系数矩阵。

之后,可以基于上述等式(5)所示的softmax回归模型,通过以下方式来对上述第二权重系数矩阵进行估计:

首先,假定给定数据集{(x1,h1),(x2,h2),…,(xi,hi),…,(xn,hn)},其中,xi为所述目标航班第i次飞行时的实际配餐数量所对应的外界环境影响信息;hi为列矩阵,当与xi对应的实际配餐数量为k时,该列矩阵hi的第k维度的值为1,其余维度的值均为0;并且,i=1,2,…,n,n为所述实际配餐需求量的历史值的个数。

根据上述等式(5)所示的softmax回归模型,可以通过对预先设定的第二损失函数(其中,)中的进行求偏导,并令其为0,最终可以求得上述第二权重系数矩阵的转置矩阵wk的迭代更新公式为:

其中,zik为与xi对应的实际配餐数量为k的概率;为上述列矩阵hi的第k维度的值。

接下来,可以根据上述等式(6)中所示的第二权重系数矩阵的转置矩阵wk的迭代更新公式,确定出权重系数矩阵的估计值。

最后,根据该第二权重系数矩阵的估计值和上述等式(5)中所示的softmax回归模型确定出目标航班的配餐数量概率分布。

在步骤1022中,根据配餐数量概率分布、第一配餐成本和第二配餐成本,预测目标航班的目标配餐数量。

在本公开中,该第一配餐成本可以为预先准备该配餐的成本,第二配餐成本为临时补充该配餐的成本,并且,该第一配餐成本低于该第二配餐成本,例如,该第一配餐成本为20元/份,第二配餐成本为120元/份。在该种目标航班配餐数量的预测方式中,将配餐数量概率分布、以及第一配餐成本和第二配餐成本作为目标配餐数量预测的依据,即综合考虑了航食供餐不足与过量损失的价值均衡性问题,可以保证航班配餐的损失最小化。

在一种实施方式中,可以根据上述确定出的配餐数量概率分布,将满足这一条件的最小k值确定为是目标配餐数量,其中,zi为配餐数量为i的概率;tyz为预设阈值,且tyz根据第一配餐成本和第二配餐成本来确定。例如,该预设阈值与第一配餐成本和第二配餐成本具有如下关系:其中,e为所述第一配餐成本;f为所述第二配餐成本。

具体来说,可以通过图3中所示的步骤10221~步骤10227来确定目标配餐数量。

在步骤10221中,初始化k值,使得k=k0。

在本公开中,k∈[1,m],m为所述目标航班的最大承载量。并且,k0可以是用户设定的初始值,例如,k0=1,或也可以是默认的经验值,在本公开中不作具体限定。

在步骤10222中,判定前k0个配餐数量的概率之和是否大于或等于预设阈值。

在本公开中,由于需要将满足这一条件的最小k值确定为是目标配餐数量,并且,前k个配餐数量的概率之和大于或等于前k-1个配餐数量的概率之和,即所以,当判定前k0个配餐数量的概率之和大于或等于预设阈值时,即当时,表明k0可能不是满足这一条件的最小k值,此时可以令k减1,以获取到满足这一条件的最小k值,即执行步骤10223;当判定前k0个配餐数量的概率之和小于上述预设阈值时,即当时,表明k0不是满足这一条件的k值,此时可以令k增1,以获取到满足这一条件的最小k值,即执行步骤10226。

在步骤10223中,k减1。

在步骤10224中,判定前k个配餐数量的概率之和是否大于或等于预设阈值。

在步骤10225中,将k+1确定为目标配餐数量。

在本公开中,当令k减1后,可以判定前k个配餐数量的概率之和是否大于或等于预设阈值。当确定前k个配餐数量的概率之和大于或等于预设阈值时,即当时,表明当前的k值可能不是满足这一条件的最小k值,此时可以返回上述步骤10223,即k减1,如此循环,直到时为止,此时,可以确定k+1为满足这一条件的最小值,因此,可以将k+1确定为是目标配餐数量。

在步骤10226中,k增1。

在步骤10227中,将k确定为目标配餐数量。

在本公开中,当令k增1后,可以判定前k个配餐数量的概率之和是否大于或等于预设阈值。当确定前k个配餐数量的概率之和小于预设阈值时,即当时,表明当前的k值不是满足这一条件的k值,此时可以返回上述步骤10226,即,k增1,如此循环,直到时为止,此时,此时,可以确定当前的k值为满足这一条件的最小k值,因此,可以将k确定为是目标配餐数量。

通过上述技术方案,根据获取到的目标航班的外界环境影响信息以及实际配餐需求量的历史值,预测出该目标航班的目标配餐数量。由于航班配餐数量与该航班的乘坐人数直接相关,而航班的乘坐人数又很容易受到天气、节假日等外界环境的影响,因此,在对目标航班的目标配餐数量进行预测时,不仅需要考虑该目标航班的历史实际配餐需求量,而且需要将外界环境对目标配餐数量的影响因素也考虑在内。由此,可以实现航班配餐数量的精准预测,从而保证资源的合理配置,使得航班配餐的损失最小化。

返回上述步骤1021,由于配餐数量是在0到该目标航班的最大承载量m之间波动的,当目标航班的最大承载量m较大、且实际配餐需求量的历史值的个数n较小时,配餐数量为k时的概率zk为零的情况会经常发生,这样,上述目标航班的配餐数量的概率分布会出现跳跃性,即确定出的目标航班的配餐数量概率分布是离散的(例如,图4a中所示的目标航班的配餐数量概率分布,其中,m=45),这样,根据该离散的目标航班的配餐数量概率分布来预测目标配餐数量时,可能导致预测出的目标配餐数量不准确。因此,在确定出目标航班的配餐数量概率分布后,可以对该目标航班的配餐数量概率分布进行平滑处理,以提升目标配餐数量预测的精度。即,如图5所示,在上述步骤1022之前,上述方法还可以包括以下步骤。

步骤1023中,对配餐数量概率分布进行平滑处理。

在一种实施方式中,可以通过高斯函数对上述配餐数量概率分布进行平滑处理。具体来说,根据上述步骤1021中确定出的目标航班的配餐数量概率分布,确定出对应的高斯函数的平均值和标准方差,即:

其中,μz为所述高斯函数的平均值;δz为所述高斯函数的标准方差;m为所述目标航班的最大承载量。

然后,根据上述高斯函数的平均值和标准方差,对上述配餐数量概率分布进行平滑处理,经过平滑处理后的配餐数量概率分布zk(例如,图4b中所示的曲线41)为:

图6是根据一示例性实施例示出的一种航班配餐预测装置的框图。如图6所示,该装置600可以包括:获取模块601,用于获取目标航班的外界环境影响信息和实际配餐需求量的历史值;预测模块602,用于根据所述获取模块601获取到的所述外界环境影响信息和所述实际配餐需求量的历史值,预测所述目标航班的目标配餐数量。

可选地,所述预测模块602用于将所述获取模块601获取到的所述外界环境影响信息的当前值和所述实际配餐需求量的历史值作为广义线性模型的输入变量,通过所述广义线性模型预测所述目标航班的目标配餐数量。

可选地,如图7所示,所述预测模块602可以包括:确定子模块6021,用于根据所述获取模块601获取到的所述外界环境影响信息的当前值、所述实际配餐需求量的历史值和每个所述实际配餐需求量的历史值所对应的外界环境影响信息,确定所述目标航班的配餐数量概率分布;预测子模块6022,根据所述确定子模块6021确定出的所述配餐数量概率分布、第一配餐成本和第二配餐成本,预测所述目标航班的目标配餐数量,其中,所述第一配餐成本为预先准备所述配餐的成本,所述第二配餐成本为临时补充所述配餐的成本。

可选地,所述确定子模块6021用于将所述获取模块601获取到的所述外界环境影响信息的当前值、所述实际配餐需求量的历史值和每个所述实际配餐需求量的历史值所对应的外界环境影响信息作为softmax回归模型的输入变量,通过所述softmax回归模型确定所述目标航班的配餐数量概率分布。

图8是根据另一示例性实施例示出的一种航班配餐预测装置的框图。如图8所示,该预测模块602还可以包括:平滑处理子模块6023,用于在所述预测子模块6022根据所述配餐数量概率分布、第一配餐成本和第二配餐成本,预测所述目标航班的目标配餐数量之前,对所述确定子模块6021确定出的配餐数量概率分布进行平滑处理。

可选地,所述预测子模块6022用于根据所述配餐数量概率分布,将满足这一条件的最小k值确定为所述目标配餐数量,其中,zi为配餐数量为i的概率;tyz为预设阈值,且tyz根据所述第一配餐成本和所述第二配餐成本来确定。

可选地,所述预设阈值与所述第一配餐成本和所述第二配餐成本具有如下关系:

其中,e为所述第一配餐成本;f为所述第二配餐成本。

关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。

图9是根据一示例性实施例示出的一种电子设备900的框图。如图9所示,该电子设备900可以包括:处理器901,存储器902,多媒体组件903,输入/输出(i/o)接口904,以及通信组件905。

其中,处理器901用于控制该电子设备900的整体操作,以完成上述的航班配餐预测方法中的全部或部分步骤。存储器902用于存储各种类型的数据以支持在该电子设备900的操作,这些数据例如可以包括用于在该电子设备900上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器902可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(staticrandomaccessmemory,简称sram),电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory,简称eeprom),可擦除可编程只读存储器(erasableprogrammableread-onlymemory,简称eprom),可编程只读存储器(programmableread-onlymemory,简称prom),只读存储器(read-onlymemory,简称rom),磁存储器,快闪存储器,磁盘或光盘。多媒体组件903可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器902或通过通信组件905发送。音频组件还包括至少一个扬声器,用于输出音频信号。i/o接口904为处理器901和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件905用于该电子设备900与其他设备之间进行有线或无线通信。无线通信,例如wi-fi,蓝牙,近场通信(nearfieldcommunication,简称nfc),2g、3g或4g,或它们中的一种或几种的组合,因此相应的该通信组件905可以包括:wi-fi模块,蓝牙模块,nfc模块。

在一示例性实施例中,电子设备900可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit,简称asic)、数字信号处理器(digitalsignalprocessor,简称dsp)、数字信号处理设备(digitalsignalprocessingdevice,简称dspd)、可编程逻辑器件(programmablelogicdevice,简称pld)、现场可编程门阵列(fieldprogrammablegatearray,简称fpga)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的航班配餐预测方法。

在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,例如包括程序指令的存储器902,上述程序指令可由电子设备900的处理器901执行以完成上述的航班配餐预测方法。

图10是根据另一示例性实施例示出的一种电子设备1000的框图。参照图10,电子设备1000包括处理器1022,其数量可以为一个或多个,以及存储器1032,用于存储可由处理器1022执行的计算机程序。存储器1032中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1022可以被配置为执行该计算机程序,以执行上述的航班配餐预测方法。

另外,电子设备1000还可以包括电源组件1026和通信组件1050,该电源组件1026可以被配置为执行电子设备1000的电源管理,该通信组件1050可以被配置为实现电子设备1000的通信,例如,有线或无线通信。此外,该电子设备1000还可以包括输入/输出(i/o)接口1058。电子设备1000可以操作基于存储在存储器1032的操作系统,例如windowsservertm,macosxtm,unixtm,linuxtm等等。

在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,例如包括程序指令的存储器1032,上述程序指令可由电子设备1000的处理器1022执行以完成上述的航班配餐预测方法。

以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。

另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。

此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1