公开(公告)号：CN117788041A

公开(公告)日：2024-03-29

申请号：CN202311663576.1

申请日：2023-12-05

Applicant: 杭州电子科技大学

Inventor： 余俊彦 ,  李万清 ,  原俊青 ,  周煊令

IPC: G06Q30/0202 ,  G06N3/0442 ,  G06N3/0464

Abstract: 本发明公开了一种基于多尺度时序模型的商品销量预测方法、系统及设备，属于时序预测领域。本发明将目标商品的历史销量数据按照不同时间尺度聚合成时序数据，然后通过ARIMA模型预测历史时刻和未来预测时刻目标商品销量的线性部分估计值，得到估计值和残差序列，再将残差序列输入CEEMDAN模型分解成多个分量，每个分量输入由GRU模型和一维CNN模型组成的组合模型中获得分量预测结果，最后将每个分解得到的分量对应的分量预测结果累加到ARIMA模型输出的线性部分估计值上，得到单个时间尺度下的目标商品销量估计值；对所有时间尺度下的目标商品销量估计值进行加权融合，得到最终销量。本发明可获得比其他模型有更优的预测准确性。

公开(公告)号：CN118212632A

公开(公告)日：2024-06-18

申请号：CN202410258719.9

申请日：2024-03-07

Applicant: 杭州电子科技大学

Inventor： 李万清 ,  余俊彦 ,  刘俊 ,  李枨 ,  张俊峰 ,  张恒愉 ,  郑致涵 ,  陈鑫 ,  彭彦杰

IPC: G06V20/68 ,  G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0985 ,  G06N3/096

Abstract: 本发明公开了一种面向AI智慧餐厅的菜品增量识别方法、系统、介质和设备，涉及深度学习的目标分类领域。包括：构建菜品增量识别模型，并对菜品增量识别模型进行初始化阶段的训练以及增量学习阶段的训练，最后将预处理后的待分类图像输入到训练好的菜品增量识别模型中，得到待分类图像的菜品类别预测结果。本发明通过将随机权神经网络与传统卷积神经网络相结合，本发明精心设计并优化了两个训练阶段，以实现对新菜品的增量学习，解决了当前AI智慧餐厅场景下传统深度学习方法无法增量学习新菜品特征的难点。相较传统的增量学习方法，本发明所提出的方法具有更强的抗遗忘能力，且具备较强高的识别准确率、良好的框架通用性。