本发明属于餐饮
技术领域：
：，尤其涉及一种基于大数据特征分析的云餐饮平台及分析方法。
背景技术：
：餐饮业时传统的行业，餐饮作为服务业的重要组成部分。中国的餐饮市场经过多年的改革与发展，已进入一个新的阶段，市场竞争的形式也发生了一些新的变化。虽然餐饮业跟随着市场形势进行改革，但大部分仍然处于传统与非传统之间。传统餐饮企业的问题大概有两点，其一，点餐环节依旧延续着几百年前的人工点菜方式，人员依赖严重，需要投入大量成本；其二，对历史消费数据不够重视或根本没有积累，忽略了大数据背后的潜在商业价值。综上所述，现有技术存在的问题是：(1)现有的餐饮业大部分仍为传统行业，或者餐饮业的销售模式转为部分线上支付模式，但仍存在很大的问题：支付不方便：找零钱不方便、会有假币，算错账单；管理不方便：上菜时容易记错位置、混乱客人点餐的顺序等，餐饮业的管理较差，浪费了大量的人力物力，成本投入较大。(2)当模型较大且数据样式较多时，海量的订单数据样式相似度计算使得计算效率较低。技术实现要素：针对现有技术存在的问题，本发明提供了一种基于大数据特征分析的云餐饮平台及分析方法。本发明是这样实现的，一种基于大数据特征分析的云餐饮平台的分析方法，该基于大数据特征分析的云餐饮平台的分析方法包括：采用频度统计推荐引擎算法、关联规则推荐引擎算法和markov链推荐引擎算法相结合的方式点餐；菜品管理，订单处理，商家管理，折扣管理；对订单数据采用多种数据建模算法分析消费者的用餐情况、酒水消费情况，通过可视化报表工具进行展现；所述数据建模算法基于p-stable局部敏感哈希检索数据样式的多点订单数据统计建模方法的具体步骤为：(1)输入训练订单数据ti，定义模拟实现r和数据样板t的尺寸；(2)设置分块网格bgrid的尺寸，输入p-stablelsh的参数，包括哈希桶宽w和哈希表数量n；(3)以数据样板t扫描训练订单数据ti，建立样式数据库pdb；(4)基于分块网格计算数据样式pat的特征向量vpat，使用p-stablelsh计算特征向量vpat的哈希值hpat，建立数据样式的哈希库plshlib；(5)根据模拟实现r创建随机路径prandom；(6)如果随机路径prandom里有未模拟节点u，进入步骤(7)的路径；否则进入步骤(11)的路径；(7)提取节点u处的数据事件dev，统计数据事件的分块网格块内变量之和，得到数据事件的特征向量vdev，进行p-stablelsh计算，得到数据事件的哈希值hdev；(8)从数据样式哈希库plshlib中查询所有哈希值等于hdev的数据样式，构成目标数据样式库tpatdb；(9)从目标数据样式库tpatdb查找与数据事件dev最相似的数据样式pat；(10)用数据样式pat整体覆盖并冻结模拟实现r的节点u区域；返回步骤(6)；(11)模拟结束，输出模拟实现r。进一步，所述前端客户端的点餐算法采用频度统计推荐引擎算法、关联规则推荐引擎算法和markov链推荐引擎算法相结合的方式，对3个推荐引擎的初始推荐结果进行合并处理，产生最终的推荐结果。进一步，所述频度统计推荐引擎算法过程如下：输入：所有订单数据，推荐列表长度n；输出：n个推荐得分最高的推荐菜品，每个菜品对应的推荐得分score；步骤一，扫面订单数据，对麽一条订单中出现的菜品进行频次统计，记录每个菜品被点的次数；步骤二，将频次最高的菜品的次数设定为max_freq，推荐得分设定为10000，其余菜品的频次都除以max_freq，按照式计算得分：scorei＝[(频次/max_freq)*10000]；步骤三，对scorei进行排序，选择scorei最高的n个菜品输出。进一步，所述关联规则推荐引擎算法如下：关联规则推荐引擎应用apriori算法对餐厅的订单数据进行处理，计算置信度和支持度；一条关联规则a＝＞b，其中a为规则头，b为规则体，则其在数据集d中的支持度和置信度的定义如下：支持度定义为d中事务包含项目集合a和b的并集的比例，置信度定义为d中包含a的事务中同时也包含b的事务的比例；当一个项目集合满足最小支持度min_sup时，称之为频繁项目集；所有的频繁的k项集的结合记作kk；输入：最小支持度，最小置信度，所有订单数据，消费者当前选择的菜品；输出：n个得分最高的推荐菜品，每个菜品对应的得分score；步骤一，设定最小支持度min_sup和最小置信度min_con；步骤二，根据候选项集生成频繁项集，要求频繁项目集的支持度大于或等于min_sup；步骤三，读入所有的订单信息，订单中的所有菜品都被看作候选1-项集，得出各项的支持度，再使用频繁1-项集来产生候选2-项集；步骤四，扫描订单信息，产生候选的2-项集集合，找出频繁2-项集；步骤五，统计所有的频繁2-项集，并按照支持度与置信度的乘积进行排序，结果最大的设定为max_apriori，并将其得分设定为10000；步骤六，其余得分按照式(4)进行设定：scorem＝[((支持度*置信度)/max_markov)*10000]；步骤七，将消费者当前所点的菜品作为规则左部选择搜索得到的频繁2-项集，并按照得分进行排序，若当前处于系统的初始状态，即消费者还未选择任何菜品，则规则左部为0；步骤八，按照scorea进行排序，输出scorea最高的n个排序结果。进一步，所述markov链推荐引擎算法过程如下：设随机过程{x(t)，t∈t}的状态空间为i，其中t表示时间维度。如果对时间t的任意n个数值t1＜t＜...＜tn(n≥3，ti∈t)在条件x(ti)＝xi(xi∈i，i＝1，2，...n-1)下，x(tn)的条件分布函数等于在条件x(tn-1)＝xn-1下x(tn)的条件分布函数：则称随机过程{x(t)，t∈t}是k阶markov过程，记为k-markov；将第一条订单信息作为一个事务，将一条订单中的每个菜品称作一个状态，将点单转移链成为markov链，通过对订单记录找出大部分消费点单的规律性和传递性，得到消费者点单行为并建立markov模型；输入：所有订单数据，消费者当前选择的菜品；输出：n个推荐得分最高的推荐菜品，每个菜品对应的推荐得分score；步骤一，若订单中只有一个菜品a，则markov链的计算过程跳过该条订单；步骤二，若订单中只有两个菜品a和b，则系统将本条订单看做一次事务ti，而选择菜品的a作为一个系统状态{a}；若该用户的订单在菜品a之后还选择的菜品b，则系统从上一状态{a}转移到状态{b}；或者系统从状态{0}，{a}转移到{b}；步骤三，若订单中用户选择了菜品a，b，c，则系统将本条订单看做一次事务ti，而选择菜品的a作为一个系统状态{a}；若该用户的订单在菜品a之后还选择的菜品b和c，则系统从上一状态{b}转移到状态{c}；或者系统从状态{a}，{b}转移到{c}；步骤四，以此类推，订单信息不断累积，系统状态也不断转移，以n＝3为窗口，依次处理一条订单信息中的所有菜品，形成了点单转移链，例如订单为a，b，c，d，e，则得到的状态转移链为0→a，o+a→b，b→c，a+b→c，c→d，b+c→d，d→e，c+d→e；步骤五，处理每一条订单信心，并累积计算所有不同的点单转移链的个数；步骤六，将点单转移链按照计数顺序，计数最大的设定为max_markov，并将其得分设定为10000；步骤七，其余的点单转移链的得分按照式进行设定：scorem＝[(转移链计数/max_markov)*10000]；步骤八，将消费者当期所点的菜品作为系统状态，按照所处的系统状态作为规则左部选择已得到的markov链，若当前处于系统的初始状态，即消费者还未选择任何菜品，则选择规则左部为0的markov链；步骤九，按照scorem进行排序，输出scorem最高的n个排序结果。本发明的另一目的在于提供一种应用所述基于大数据特征分析的云餐饮分析方法的基于大数据特征分析的云餐饮平台，所述基于大数据特征分析的云餐饮平台包括：前端客户端，基于android系统开发app点餐软件以及基于ios系统开发苹果手机端点餐软件；后台管理系统，基于ssm框架开发后台管理软件主要分为商家端后台以及运营管理后台，完成商家菜品管理，订单处理，商家管理，折扣管理；智能分析服务系统；通过对消费者的订单数据采用多种数据建模算法分析消费者的用餐情况、酒水消费情况，通过可视化报表工具进行展现。本发明的另一目的在于提供一种实现所述基于大数据特征分析的云餐饮分析方法的计算机程序。本发明的另一目的在于提供一种实现所述基于大数据特征分析的云餐饮分析方法的信息数据处理终端。本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于大数据特征分析的云餐饮分析方法。本发明的另一目的在于提供一种实现所述基于大数据特征分析的云餐饮分析方法的点餐机。本发明的优点及积极效果为：本发明一体化云餐饮系统让餐厅突破原有运营模式，增加了月营业收入，全面覆盖排队、订餐、支付、收银、报表和营销等功能，增加了本店工作人员的服务效率，在不增加员工情况下，提高了工作效率，并让线上餐饮、线下异业迅速完成多种商业模式的搭建和互通，实现资源服务共享，有效了节约了生产成本的投入，创造了更大的利润空间。本发明提出基于p-stable局部敏感哈希的多点订单数据统计建模算法lshsim，该方法使用局部敏感哈希将数据样式的特征向量映射到哈希表。建模时从哈希表里取出与订单数据事件的特征向量具有相同哈希值的数据样式，用最相似的订单数据样式替换覆盖待估区的订单数据事件完成建模。计算效率高，并节省了内存空间，对算法的关键参数进行了敏感性分析、非条件和条件模拟，能较好再现训练订单数据的先验地质模式。附图说明图1是本发明实施例提供的基于大数据特征分析的云餐饮平台及分析方法的结构示意图；图2是本发明实施例提供的基于大数据特征分析的云餐饮平台及分析方法的预点菜功能流程图；图3是本发明实施例提供的基于大数据特征分析的云餐饮平台及分析方法的服务划分流程图；图中：1、前端客户端；2、后台管理系统；3、智能分析服务系统。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。下面结合附图对本发明的应用原理作详细描述。如图1所示，本发明实施例提供的基于大数据特征分析的云餐饮平台包括：前端客户端1(微信端、android手机app以及苹果手机ios)、后台管理系统2(商家管理后台、异业管理后台、运营管理后台)、智能分析服务系统3。前端客户端1：通过html5技术基于bootstrap框架开发微信端点餐点餐服务，bootstrap是用动态语言less写的，主要包括四部分的内容：1)脚手架——全局样式，响应式的12列栅格布局系统。记住bootstrap在默认情况下并不包括响应式布局的功能。因此，如果你的设计需要实现响应式布局，那么你需要手动开启这项功能；2)基础css——包括基础的html页面要素，比如表格(table)，表单(form)，按钮(button)，以及图片(image)，基础css为这些要素提供了优雅，一致的多种样式；3)组件——收集了大量可以重用的组件，如下拉菜单(dropdowns)，按钮组(buttongroups)，导航面板(navigationcontrol)——包括：tabs，pills，lists标签，面包屑导航(breadcrumbs)以及页码(pagination)，缩略图(thumbnails)，进度条(progressbars)，媒体对象(mediaobjects)等；4)javascript——包括一系列jquery的插件，这些插件可以实现组件的动态页面效果，插件主要包括模态窗口(modals)，提示效果(tooltips)，“泡芙”效果(popovers)，滚动监控(scrollspy)，旋转木马(carousel)，输入提示(typeahead)，等；基于android系统开发app点餐软件以及基于ios系统开发苹果手机端点餐软件。后台管理系统2：基于ssm框架开发后台管理软件主要分为商家端后台以及运营管理后台，主要完成商家菜品管理，订单处理，商家管理，折扣管理等等。智能分析服务系统3：通过对消费者的订单数据采用多种数据建模算法分析消费者的用餐情况、酒水消费情况，通过可视化报表工具进行展现。作为本发明的优选实施例，所述前端客户端1的点餐算法采用频度统计推荐引擎算法、关联规则推荐引擎算法和markov链推荐引擎算法相结合的方式，对3个推荐引擎的初始推荐结果进行合并处理，产生最终的推荐结果。所述数据建模算法基于p-stable局部敏感哈希检索数据样式的多点订单数据统计建模方法的具体步骤为：(1)输入训练订单数据ti，定义模拟实现r和数据样板t的尺寸；(2)设置分块网格bgrid的尺寸，输入p-stablelsh的参数，包括哈希桶宽w和哈希表数量n；(3)以数据样板t扫描训练订单数据ti，建立样式数据库pdb；(4)基于分块网格计算数据样式pat的特征向量vpat，使用p-stablelsh计算特征向量vpat的哈希值hpat，建立数据样式的哈希库plshlib；(5)根据模拟实现r创建随机路径prandom；(6)如果随机路径prandom里有未模拟节点u，进入步骤(7)的路径；否则进入步骤(11)的路径；(7)提取节点u处的数据事件dev，统计数据事件的分块网格块内变量之和，得到数据事件的特征向量vdev，进行p-stablelsh计算，得到数据事件的哈希值hdev；(8)从数据样式哈希库plshlib中查询所有哈希值等于hdev的数据样式，构成目标数据样式库tpatdb；(9)从目标数据样式库tpatdb查找与数据事件dev最相似的数据样式pat；(10)用数据样式pat整体覆盖并冻结模拟实现r的节点u区域；返回步骤(6)；(11)模拟结束，输出模拟实现r。作为本发明的优选实施例，所述频度统计推荐引擎算法过程如下：输入：所有订单数据，推荐列表长度n；输出：n个推荐得分最高的推荐菜品，每个菜品对应的推荐得分score；步骤一，扫面订单数据，对麽一条订单中出现的菜品进行频次统计，记录每个菜品被点的次数；步骤二，将频次最高的菜品的次数设定为max_freq，推荐得分设定为10000，其余菜品的频次都除以max_freq，按照式(1)计算得分：scorei＝[(频次/max_freq)*10000](9)步骤三，对scorei进行排序，选择scorei最高的n个菜品输出。作为本发明的优选实施例，所述关联规则推荐引擎算法如下：关联规则推荐引擎应用apriori算法对餐厅的订单数据进行处理，计算置信度和支持度。假设一条关联规则a＝＞b，其中a为规则头，b为规则体，则其在数据集d中的支持度和置信度的定义如下：支持度定义为d中事务包含项目集合a和b的并集的比例，置信度定义为d中包含a的事务中同时也包含b的事务的比例。当一个项目集合满足最小支持度min_sup时，称之为频繁项目集。所有的频繁的k项集的结合记作kk。输入：最小支持度，最小置信度，所有订单数据，消费者当前选择的菜品；输出：n个得分最高的推荐菜品，每个菜品对应的得分score。步骤一，设定最小支持度min_sup和最小置信度min_con；步骤二，根据候选项集生成频繁项集，要求频繁项目集的支持度大于或等于min_sup；步骤三，读入所有的订单信息，订单中的所有菜品都被看作候选1-项集，得出各项的支持度，再使用频繁1-项集来产生候选2-项集；步骤四，扫描订单信息，产生候选的2-项集集合，找出频繁2-项集；步骤五，统计所有的频繁2-项集，并按照支持度与置信度的乘积进行排序，结果最大的设定为max_apriori，并将其得分设定为10000；步骤六，其余得分按照式(4)进行设定：scorem＝[((支持度*置信度)/max_markov)*10000](4)步骤七，将消费者当前所点的菜品作为规则左部选择搜索得到的频繁2-项集，并按照得分进行排序，若当前处于系统的初始状态，即消费者还未选择任何菜品，则规则左部为0；步骤八，按照scorea进行排序，输出scorea最高的n个排序结果。作为本发明的优选实施例，所述markov链推荐引擎算法过程如下：设随机过程{x(t)，t∈t}的状态空间为i，其中t表示时间维度。如果对时间t的任意n个数值t1＜t＜...＜tn(n≥3，ti∈t)在条件x(ti)＝xi(xi∈i，i＝1，2，...n-1)下，x(tn)的条件分布函数等于在条件x(tn-1)＝xn-1下x(tn)的条件分布函数，即则称随机过程{x(t)，t∈t}是k阶markov过程，记为k-markov。将第一条订单信息作为一个事务，将一条订单中的每个菜品称作一个状态，将点单转移链成为markov链，通过对订单记录找出大部分消费点单的规律性和传递性，得到消费者点单行为并建立markov模型。输入：所有订单数据，消费者当前选择的菜品；输出：n个推荐得分最高的推荐菜品，每个菜品对应的推荐得分score；步骤一，若订单中只有一个菜品a，则markov链的计算过程跳过该条订单；步骤二，若订单中只有两个菜品a和b，则系统将本条订单看做一次事务ti，而选择菜品的a作为一个系统状态{a}；若该用户的订单在菜品a之后还选择的菜品b，则系统从上一状态{a}转移到状态{b}；或者系统从状态{0}，{a}转移到{b}；步骤三，若订单中用户选择了菜品a，b，c，则系统将本条订单看做一次事务ti，而选择菜品的a作为一个系统状态{a}；若该用户的订单在菜品a之后还选择的菜品b和c，则系统从上一状态{b}转移到状态{c}；或者系统从状态{a}，{b}转移到{c}；步骤四，以此类推，订单信息不断累积，系统状态也不断转移，以n＝3为窗口，依次处理一条订单信息中的所有菜品，形成了点单转移链，例如订单为a，b，c，d，e，则得到的状态转移链为0→a，o+a→b，b→c，a+b→c，c→d，b+c→d，d→e，c+d→e；步骤五，处理每一条订单信心，并累积计算所有不同的点单转移链的个数；步骤六，将点单转移链按照计数顺序，计数最大的设定为max_markov，并将其得分设定为10000；步骤七，其余的点单转移链的得分按照式(6)进行设定scorem＝[(转移链计数/max_markov)*10000](6)步骤八，将消费者当期所点的菜品作为系统状态，按照所处的系统状态作为规则左部选择已得到的markov链，若当前处于系统的初始状态，即消费者还未选择任何菜品，则选择规则左部为0的markov链；步骤九，按照scorem进行排序，输出scorem最高的n个排序结果。下面结合功能分析对本发明作进一步描述。本发明实施例提供的基于大数据特征分析的云餐饮平台主要实现功能如下：(一)前端客户端功能实现如下(1)扫码进店实现：本系统的支持移动终端的二维码扫描进店功能，无论是否是会员用户，进入系统进行浏览的用户在查看菜品时都会看到菜品的原材料、配菜以及相关做法。不同的商家都有着不同的二维码，且每一个二维码都是唯一的，用户用过自带的手持移动终端设备扫描二维码，扫描之后即可进店查阅菜品信息，本系统选择qr码作为功能实现的二维码。qr码可以储存多种形式的信息数据储存，包括文本信息、图片信息以及网络连接。并且，密码技术在qr码中的使用可以大大增加对数据信息的保护，有着较高的安全系数和可靠系数。另外，qr在保留了普通二维码优点的的同时还具有其他的优点——对数据信息的高度保密和超高的读取速度。本次二维码技术的实现编码在java开发环境下进行编程实现，通过编程实现相关算法，进而实现qr码的译码。整个程序在代码上通过对类的设置和对变量的设定，对rs编译码算法进行编写，针对qr码建立相关函数，实现了二维码编译识读扫描。主要算法包括forney算法、bm迭代算法以及钱搜算法，将这些算法通过相应的函数程序来实现译码。最终将系统中的不同商家以二维码的形式出现在界面。用手机对商家二维码的图片进行扫描，手机浏览器会转入商家店面，显示出该商家的菜品，用户可以直接进行点餐。微信oauth2.0授权登录目前支持authorization_code模式，适用于拥有ser端的应用授权。该模式整体流程为：第三方发起微信授权登录请求，微信用户允许授权第三方应用后，微信会拉起应用或重定向到第三方网站，并且带上授权临时票据code参数；通过code参数加上appid和appsecret等，通过api换取access_token；通过access_token进行接口调用，获取用户基本数据资源或帮助用户实现基本操作。(2)预点菜功能实现预点菜功能模块传统的点菜流程是当顾客进店坐在餐桌上时，服务员将本店的纸质菜单递给顾客，顾客通过查看纸质的菜单进行点菜。这种点菜方式，首先效率底，顾客面对庞大的纸质菜单很难快速找到所需的菜品；其次，纸质菜单成本也比较大，如果要更新菜单，则要更换所有的纸质菜单，既费时又提商了成本；最后，顾客只有坐在餐桌上之后才能很好的查看该店的菜单，这样顾客可能很难第一时间找到想点的菜，将花费很多时间，效率低，特别对于该店的新顾客。基于上述传统点餐方式的缺点，本系统设计了预点餐功能。如图2是本发明实施例提供的预点菜功能流程图。该功能首先将店铺的纸质菜单进行了电子化。预点餐功能需要店内系统管理员通过后台管理系统，将店铺菜单的类目、菜品进行上传，系统将这些数据保存在系统的服务器中。然后顾客通过面向顾客的客户端系统进入预点餐功能，在该功能中能够查看该店铺上传的菜单类目及其所有的菜品。顾客在浏览店铺电子菜单的同时也能进行点菜，最后提交已点菜。提交之后，系统会保存用户的提交数据，为顾客生成一个预点菜单，并有一个预点菜单编号。顾客能够随时查看、修改或删除已经生成的预点菜单。当顾客进店就餐时，只要告诉服务员已经点好的预点菜单号，服务员则通过服务员客户端系统的查看预点餐页面对相应的预点菜单进行查询，然后与顾客进行核对，核对好后服务员就能够帮用户下单了。(3)排队取号实现客户端分为面向顾客和面向店内服务员两部分。面向顾客：顾客首先通过与店铺微信公众账号的聊天框中的主菜单多图文进入排队系统界面，在面向普通用户的客户端系统的排队取号功能中通过点击排队来获得一个电子的排队号码。该排队号码显示在顾客的排队取号功能的一个页面。顾客能够随时随地的查看自己的排队号码，而且还会显示该排队号码前面还有多少人，运些信息都是实时更新的。店内服务员则可通过服务员客服端系统进入排队叫号功能，在该功能页面将显示该店当前的排队队列。当有空闲座位时，店内服务员就能够通过点击通知按钮来提前通知相应的排对号码。通知方式主要是通过微信公众张号发送微信消息到用户的微信账号。面向服务员：店内服务员需要先通过店铺微信公众账号将自己的微信账号绑定为店内服务员账号。这样，当服务员通过微信向店铺公众账号请求功能主菜单的时候，就能获取面向服务员的主菜单。然后，服务员通过点击相应的排队叫号功能进入叫号系统。服务员在当前叫号页面共有3中操作：1)通知：″通知″即通知对应排队号码的顾客前来就餐，通知形式主要是通过发送微信消息的方式。2)入席：″入席″是在已经通知了该排队号码且顾客己经到来的情况下去点击的一种操作。这一操作将当前的排队号码从排队队列中除去。3)跳过：″跳过″与″入席″类似，也是讲当前排队号码从排队队列中除去。不同的是该操作是在通知了该排队号码且顾客在一定的时间没有前来就餐的情况下服务员去点击的。(4)预定处理实现：店内服务员首先通过与店铺微信公众平台交互获取功能主菜单，通过功能主菜单的预订管理功能入曰进入预巧管理页面，预订管理页面提供了巧单查询功能、待处理的订单列表w及已经确认等待入席就餐的巧单列表。订单查询功能主要是顾客提供订单编号或者订单预留的联系电话，服务员进斤查询。待处理列表则是服务员需要处理的订单列表，服务员通过列表中单个订单的信息进行核对和确认，被确认的订单将进入待入席列表中。待入席列表是己经确认，等待顾客前来就餐的列表。当顾客前来就餐时，服务员就将该订单从该列表中删除，完成预定的过程。(二)后台管理系统和智能分析服务：(1)数据库设置(商家、商品、店铺等数据)根据前端系统的需求分析，能够从中提取出需要存储的数据，从而设计数据库表结构。首先，每个餐饮店都有一个供店内系统管理员来管理的后台管理系统，这个系统也就是该点餐系统的管理后台，因此需要设计一张店铺表，来存储店铺信息实体，包括后台账号、店铺基本信息等。然后，每个店铺都需要绑定一个微信公众账号、一个app客户端，用于作为该点餐系统在智能终端上的载体，因此，需要设计面向前端的表，用于存储店铺绑定的微信公众账号和app客户端的相关信息。接着，在排队功能需求中，需要给顾客生成排队号码，因此需要设计一张排队信息的表，用于存储顾客的排队信息，包括排队号码、时间、就餐人数等。而在预点餐功能需求中，店内系统管理员需要上传店铺菜单类目及菜品，因此要分别设计菜单类目和菜品两张品来存储整个餐饮店的菜单信息，包括类目名称、菜品名、菜品图片、菜品价格等。同时，顾客能够预先点餐生成预点菜单，需要存储顾客的预点菜单信息，因此，需要设计顾客信息和预点菜单信息两张表。最后，预订功能需求中，需要存储顾客预订订单信息。店铺实体主要用来记录每个注册店铺的基本信息。其属性包括：店铺id、用户名、昵称、密码、创建时间、店铺名称、店铺描述、店铺联系电话、店铺地址等。微信公众账号实体主要用来记录店铺所绑定的微信公众账号的基本信息。其属性包括：id、微信公众账号用户名、微信公众账号原始码、微信昵称、微信公众账号logo图片、微信公众账号二维码图片等。排队队列实体主要用来记录用户在该店内的排队信息。其属性包括；id、排队号、开始排队时间、用户openid、状态、电话号码、排队类型等。菜单类目实体主要用来记录店铺菜单的分类类目。其属性主要包括；id、类目名。单个菜品实体主要用来记录店铺单个菜品的信息。其属性包括：id、菜品名、菜品描述、菜品原价、菜品打折价、图片等。用户实体主要用来记录关注店铺公众账号的用户信息。其属性包括：id、微信openid、fackid、微信昵称等。用户预点菜单实体主要用来记录用户预先点餐生成的菜单信息。其属性包括：id、创建时间、菓单编号、状态等。预订订单实体主要用来记录用户预定订单的相关信息。其属性包括：id、姓名、联系电话、预订时间、人数、备注、预订编号、巧单状态等。店铺实体代表着一个点餐系统。由于一个店铺只能绑定一个微信公众账号，并且一个微信公众账号也只能被一个店铺所绑定，因此店铺和微信公众账号运两个实体之间是一对一的关系。一个店铺可能会有很多顾客排队从而出现多个排队号码，而一个排队号码时唯一的，只能属于一个店铺，因此店铺与排队队列实体之间是一对多的关系。一个店铺的菜单会存在很多类目，而每个类目都是由店内系统管理员设置的，只能属于一个店铺，所w店铺与菜单类目实体之间是一对多的关系。一个菜单类目下会包含多个不同的菜品，而一个菜品规定只能分属于一个菜单类目下，因此菜单类目与菜品实体之间是一对多的关系。一个店铺将拥有多个用户，这里的用户是指关注店铺微信公众平台的用户，由微信的openid区分，由于同一用户的微信openid对不同的微信公众账号不相同，一个用户openid只能属于一个店铺，因此店铺与用户实体之间只能是一对多的关系。一个用户能够生成多份不同的预点菜单，而一个预点菜单是由一个用户生成的，独一无二，因此用户与预点菜单两个实体之间是一对多的关系。一个预点菜单会包含多个不同的菜品，而一个菜品也可能会出现在多个不同的预点菜单之中，因此预点菜单与菜品两个实体之间是多对多的关系。一个店铺会受到多个不同的预订订单，而一个预订订单是由一个用户在一个店铺的微信公众账号中生成，因此，店铺与预订订单两个实体之间是一对多的关系。(2)基于大数据特征分析服务智能化餐厅的工作流程，有六个服务，如图3是本发明实施例提供的服务划分图。入口：这是整个商业循环的第一步，主要是提供餐厅信息的网站或移动客户端，顾客的每次浏览都会在服务器上留下路径日志，这些数据反映出顾客的浏览踪迹。菜单：包含餐厅所有菜品的列表，提供价格、介绍、原料、评价等相关信息，通过对这些信息的参考，顾客才能决定要消费的菜品。下单：用户最终决定的菜单列表，包括中途加订的、换订的、取消的，下单信息反映了顾客的口味偏好，下单方式反映了顾客消费受外界影响的程度。上菜：顾客下好订单，厨房开始烹饪，然后服务员上菜的过程。这整个的上菜过程反映了顾客的等待时间，以及厨房人员的效率。支付：顾客选择支付的方式，可以是现金、银行卡、信用卡或是网络支付。帮助：顾客的咨询、投诉和发票打印，以及顾客对所点菜品的意见和建议。本发明选择三种大数据特征分析方法：关联规则、分类和聚类。fp-growth：从指定的数据源中发现满足预先定义的最小支持度和最小置信度的关联规则，与apriori算法一样，是很经典的关联规则挖掘算法之一。对fp-growth方法的性能表明，对于挖掘长的和短的频繁模式，它都是有效地的和可规模化的，并且大约比apriori算法快一个数量级。它的基本思想是不断地迭代fp-tree的构造和投影过程。naivebayes：贝叶斯分类是统计学分类方法之一，可以用来预测类成员关系的可能性，如给定样本属于一个特定类的概率。朴素贝叶斯假定一个属性值对给定类的影响独立于其他属性的值，该假定称作类条件独立，做此假定是为了简化所需计算。种种实验分析表明，与判定树和神经网络分类算法相比，在某些领域，该分类算法可以与之媲美。用于大型数据库，贝叶斯分类也已表现出高准确率与高速度。k-means：它是最为常用的聚类算法之一，尽管它有着很多不足，但是它有着一个非常关键的优点，快！k-means的计算复杂度只有o(tkn)，t是迭代次数，k是设定的聚类数目，而n是数据量，相比起很多其它算法，k-means算是比较高效的，这也是本发明进行大数据挖掘时常用的。本发明主要分析的客户特征行为：顾客浏览行为：存储在web服务器上的网络日志提供了数据源，它记录了所有用户与web或者移动终端交互的信息。对weblogs进行关联规则挖掘，可以发现入口中被频繁访问的页面，从而将一些重要的餐厅信息投放到这些页面中。顾客潜在消费菜品：去餐厅消费时，大部分顾客的个人信息我们都是不知道的，会员只占少数部分。通过对以往点菜清单进行关联规则的挖掘，可以得到一些有价值的满足指定支持度和置信度的关联规则。这样，当用户在下单时，可以根据用户已点菜品，推荐相关的菜品。以往菜品分类的方式很单一，而且模式化，在这里我们可以综合菜品的原材料及其他属性进行聚类分析，找出最受欢迎的一类菜品。这些由数据挖掘得来的知识，具有一定的科学性，推荐成功的概率要比单纯依赖个人经验的推荐高的多。会员消费习惯：在了解了顾客个人信息的基础上，就可以对他们进行个性化的推荐和服务。首先对注册会员进行聚类分析，找到他们各自相似的群体，当某位会员再次就餐时，就可以向他推荐同一群组中其他会员喜欢的菜品。当会员人数很多时，聚类的方法可以用最近邻方法替代，提高挖掘效率。同时，对会员下单方式、支付方式进行分析后，就能够做到在最佳的时机，向该类会员推荐最易被消费的菜品，从而最大化顾客的消费价值。菜单的更新：如何决定菜品的撤与推？传统的做法是销售排行，末位淘汰。假设a是最受欢迎的菜品之一，b是销售不好的菜品之一，采用末位淘汰法则，b就应该被撤下。但是，通过分析以后我们发现，用户在点a菜品时，有很大几率会点下b，也就是说a与b的关联非常的密切，撤下销售不好的菜品b，可能会影响到a菜品的销售。所以，对顾客消费清单进行关联分析，会比传统的销售排行，末位淘汰法则更可靠。同时，可以在消费清单的基础上进行分类挖掘，发现顾客不同季节的用餐口味，然后针对性的添加相应口味的菜品；对所有菜品进行聚类分析，发现贡献价值最高的菜品。通过以上这些挖掘手段，就可以做到菜单的合理更新，这要比以往单纯的经验更新更加可靠。吸引新顾客留住老顾客：除了通过改善餐厅整体的点餐流程、增强用户体验、创造舒适的就餐环境、加强食品卫生监督等外在的吸引顾客的方法之外，我们还可以通过提升上菜速度(这是用户最关心的问题之一)，推出诱人的优惠套餐组合，增加顺应时节的美味菜品，来吸引更多的新老顾客。这些决策的制定的基础，就是基于对以往顾客消费数据和会员信息的数据挖掘产生的知识。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12