智慧食堂之客流量预测方法研究

徐 瑶

（山西机电职业技术学院，长治 046000）

1 “智慧食堂”建设背景

随着“智慧城市”建设如火如荼的进行，在城市建设的方方面面，包括交通、医疗、社区等，目前已经在很多城市的部分领域取得了明显的成效。

在此大背景下，“智慧校园”也在不断进行，在教室、图书馆以及宿舍等方面实现了自动化，数字化和智能化，比如校园卡可以和图书对话，用手机APP 选课，用二维码找空教室等，大大提高了效率。在“智慧食堂”方面，也有针对菜品的实时更新以及智能化预定菜单等建设成果，但这些建设的基础是建立在当前食堂状态上的实时数据更新，并没有针对学生个人需求，智能化预测食堂客流量，帮助其找到最佳最适合就餐方案。

本文针对“智慧食堂”提出建设方案，并着重对食堂客流量的预测进行建模研究，方便学生就餐作出选择，达到节时、减少浪费和智能决策的目的。

2 客流量预测

客流量预测算法在整个智慧食堂模型的构建中占据了主体地位，首先针对神经网络预测客流量算法做相关研究。

2.1 BP 神经网络

神经网络是由大量神经元广泛联接而成的网络系统，神经元之间的连接可以是任意形式的。其中BP 网络是典型的前馈网络，基本思想是：在前向传递中，信号经输入层、隐含层、输出层逐层处理并传递，检查预测输出与给定输出之间的误差，若没有达到精度要求，则转入反向传播，根据检测到的误差来调整输入层与隐含层，隐含层与输出层之间的权值和阈值，从而使预测输出不断逼近期望输出。

BP 网络实现步骤如下[1]：

Step1：网络初始化。输入层到隐含层，隐含层到输出层的所有权值为任意小的随机数，并设定初始阈值。

Step2：提供训练样本。根据学习规则，需要提供输入向量X 和相对应的输出向量D。

在tn+1时刻漂移物触岸的概率为Pn+1，但计算Pn+1的前提是tn时刻物体没有触岸，仍然处于漂移状态，则可得Pn+1为

Step3：从输入层开始向隐含层、输出层逐层计算输出。

Step4：调整权值。根据误差，从输出层节点开始，到隐含层节点，再到输入层节点逐层的调整权重。

Step5：返回Step2重新计算，直到误差满足要求为止。

2.2 针对校园食堂环境建立预测模型

以五分钟为一个测试周期，并使用Matlab 实现交通流预测并得到预测结果。由于校园环境的复杂性以及影响因素的不确定性，所以在模型的建立中均假设环境为理想状态，且采集数据模块做到准确不遗漏，且忽略图像处理造成的延迟。神经网路预测使用的是第一周，第二周周一11：30-11：35 和第三周周一11：20-11：30，观测尺度为5min 的客流量，共150个数据。其中训练数据为120个，测试数据位30。以图1为模型建立图例：

图1为根据用户到三个食堂距离得到的时间，此处做了理想化处理，即认为用户到各食堂的时间间隔正好是所取预测周期的整数倍，以方便模型建立。

图1 用户到不同食堂距离图示

图2 到第一个食堂，即相距为一个测试周期时预测模型

图2是假设用户到第一个食堂，此时需要5分钟，是一个预测周期，所以将上两周同一天同一时间段的11：40到11：45的测量数据和本周周一11：30到11：35以及11：35到11：40的数据作为输入层的训练样本，而本周的11：40到11：45则为输出层，通过训练样本，则可利用历史数据和实时测得的数据进行仿真预测。图中，实心表示预测所用数据，空心实线表示历史数据库，空心粗实现表示要预测的点，空心虚线表示待预测点。

图3 相距为三个测试周期时预测模型

图3和图2原理差不多，不同的是此处预测的是到第二个食堂，即相距3个测试周期，所以此处的历史数据改为11：50 到11：55 的，预测量也改为本周的11：50到11：55，由于此时还未能得到11：40到11：55的实时数据，所以还以原来得到的实时数据来对历史数据校正。

图4为根据构建食堂预测构想具体建立BP 预测模型图[2]，a 是数据测试间隔，在上述模型中为5分钟，t 为需求者所处时刻，n 为测试者到某一食堂的时间对数据测试间隔的倍数，s3为第三周对应的客流量数据，s1，s2为前两周历史数据，时刻根据测试顺移来更新历史数据库以及训练样本所需的实时测量数据，以提高测量精度。

图4 客流量预测的BP网络模型

图5 精度收敛曲线

图6 仿真结果

3 利用Matlab 图像处理实现客流统计

用图像处理进行客流计数的系统的特点如下[3]：

单摄像头进行图像采集即可，硬件要求低，运算量小，对上位机要求低。可同时识别多个对象，计数精度相对红外方法得到提高。图像中目标与背景要有一定色差。不能对人员进/出进行识别。

结合应用场合特点，图像识别计数系统有其使用前提，包括：照片用俯视角度拍摄；人群移动方向一致；背景色与目标颜色反差大。

第一条通过合理的安装摄像头位置即可以得到满足。第二条对食堂特点的分析，食堂一般出入口比较固定，人员流动方向较为一致。第三条，考虑到对目标图像采取俯视角度，获得的目标图像为头部黑色头发部分，与地面（地砖）一般有较强的色差。考虑到正常人的步速以及摄像头的视域，可以选取恰当的采样间隔以及图片大小，尽最大可能避免重复计数以及漏数情况的发生。

3.1 Matlab 实现图像处理的原理

Matlab 为图像处理提供了专业的图像处理工具箱（Image Processing ToolboxTM）。该工具箱用于进行图像处理、分析、可视化和算法开发[4]。该任务实现原理如下：

（1）原始处理数据的获取并保存为图片文件。

（2）读取图片，并通过设定阈值将图像二值化。通过这一步，彩色图像转变为灰度图。

（3）轮廓识别是为了在之后方便实行填充，灰度图进一步转换为白色轮廓与黑色背景。

（4）轮廓填充，由于程序使用的计数原理是统计在图中色块的数量，要将轮廓用颜色填充，否则每一个轮廓点都会被误识别。

（5）由于人与人之间不可避免的重叠关系，在填充时，极有可能出现多人填充相重叠，所以，要对色块进行腐蚀去粘连操作，将有重叠的色块分开。

（6）最后，程序通过计算图像中独立色块的个数，间接统计出人数。返回至第一步。

3.2 图像处理的实现

通过学习图片处理工具箱，编写出独立的摄像头取像软件和图片处理软件[5]，其基本界面如图7所示，其中，开启摄像头按钮与关闭摄像头按钮用来对摄像头进行相应操作。开启摄像头后，摄像头采集区将显示当前摄像头采集到的画面，截取当前图像并保存至相应位置，退出程序按钮用来退出程序。

图7 摄像头采集软件

软件的处理结果图8所示，通过肉眼可以看出图片中共计有36个人。处理后得到的结果，从图9中可以看到估计结果是较为精确的。

图8 从文件夹中读取待处理图片

图9 处理图片后结果

4 预测系统实现

在建立了预测模型，用图像处理方法得到人流量数据以及针对BP 神经网络设计了操作界面后，则完成了预测系统的各个组成模块。具体实现过程如图10所示。

当获取了用户地理位置后，结合地理位置到食堂的距离，即可得到不同食堂对应预测模型中n 的值，通过历史数据样本的训练得到预测网络，此时可得到当天实时图像处理得到的客流量数据，将历史数据带入预测网络，可仿真得到到达各个食堂时刻的客流量，结合各食堂的座位数，得到相应的上座率，则上座率小的自然为最佳选择，更新此刻的实时数据，也同时更新历史数据，为下一次预测过程做准备。

图10 预测系统流程

5 结束语

本文主要针对智慧校园背景下的食堂客流量的预测进行了研究，针对校园环境下周期性的运作环境，建立了适于食堂客流量的BP 神经网络预测模型，结合了历史数据和实时数据更能有效地进行预测，并对人流的获取方式中图像处理方法进行了详细研究并分析其优缺点及应用环境的局限性，此模型可拓展应用于城市商场、餐饮等相似领域。