陶明远

【摘要】客流预测是餐饮行业的重要问题，然而其存在影响因子多、相关关系复杂、历史数据缺失等难题，要估计出较为准确的未来客流量并不容易。我们设计了一种深度神经网络模型，通过长短期记忆网络（LSTM）建模客流历史趋势等时序特征，通过深度神经网络（DNN）建模餐厅的静态属性和静态时空特征，并将两个网络结合，进行联合训练。基于（Holdings，2018）数据集上829家餐厅的历史客流和餐厅属性数据，我们建立了通用的的餐饮客流预测模型，可供餐饮企业在缺乏历史数据积累的情况下直接应用，模型在下一日客流预测问题上取得了较优的精度（MAPE=03611），对比常见的基线模型预测性能有显著提高；

【关键词】餐饮客流预测；深度学习；长短期记忆网络

未来客流预测对餐饮业的成本控制、供应链管理、服务质量保障等问题能够起到重要作用，而餐饮客流预测问题面临着一系列难点：首先，客流量的影响因子除餐厅自身属性（如品牌、菜系、价位、客户评价等）之外，还包括一系列时空特征，其中动态的时间序列特征包括历史客流趋势、近期节假日等，静态时空特征则包括餐厅的商圈、经纬度、周边的其它餐厅分布、当时是周几等；在与之类似的客流或销量预测等问题上，当前的统计学习方法往往只对其中某个维度进行建模，或是对几个维度使用不同模型分别建模：如（Ramos et al.，2015）使用状态空间模型和ARIMA模型预测零售业销量，使用历史销量的时间序列作为特征；……