王 倩，周鴻屹，孫欽東，羅作民

（1. 西安理工大學(xué) 研究院，西安 710048；2. 西安理工大學(xué) 計算機科學(xué)與工程學(xué)院，西安 710048）

0 引言

餐飲行業(yè)作為促進國民經(jīng)濟增長的重要支柱產(chǎn)業(yè)，一直以來都得到了社會各界的廣泛關(guān)注。近年來，我國餐飲行業(yè)發(fā)展迅速，從巨型連鎖企業(yè)到小型門店餐館眾多餐飲企業(yè)不斷涌現(xiàn)。行業(yè)發(fā)展的同時，產(chǎn)業(yè)規(guī)模和經(jīng)營領(lǐng)域的擴大也使得企業(yè)之間的競爭狀況日趨激烈，再加上食品原材料成本、勞動力成本提升，管理人才匱乏等多方面問題，導(dǎo)致餐飲行業(yè)凈利潤率大幅下降。僅通過擴大經(jīng)營規(guī)模，所取得的利潤效益不會有質(zhì)的改變，企業(yè)的核心競爭力已經(jīng)從規(guī)模競爭轉(zhuǎn)向運營競爭，忽略運營過程中的非必要損耗會對餐飲企業(yè)發(fā)展帶來極大的負(fù)面影響[1]。因此，建立完善的餐飲業(yè)防損管理系統(tǒng)，不僅可以規(guī)范餐飲企業(yè)服務(wù)行為，提高管理效率和內(nèi)控機制，降低企業(yè)運營成本，增強企業(yè)競爭力，而且能夠在降低企業(yè)不必要損失的同時增加營業(yè)收入，這對企業(yè)可持續(xù)發(fā)展有重要意義。

目前針對防損相關(guān)的研究，大多都是通過管理者多年的管理經(jīng)驗，或者大量的調(diào)研和統(tǒng)計分析進行的。Eriksson等人對瑞典零售店的食品浪費模式進行研究，通過建立合理的存儲記錄來減少和預(yù)防零售食品的浪費[2]。Lebersorger等人研究的是食品零售業(yè)防損，對食品損失潛在的影響因素和原因進行調(diào)查研究，為食品損失預(yù)防措施的制定提供依據(jù)[3]。童光森等人就連鎖超市防損管理的重點與難點入手，從防損區(qū)域的劃分、分流管理等環(huán)節(jié)闡述了對損耗的控制與管理工作，并介紹了各崗位控制損耗的具體工作內(nèi)容[4]。

而餐飲行業(yè)由于其屬于勞動密集型產(chǎn)業(yè)，其內(nèi)容和經(jīng)營方式都具有多樣化的特征，針對餐飲業(yè)的防損研究少之又少。本文提出的餐飲業(yè)防損管理系統(tǒng)，可以從“節(jié)流”角度減少企業(yè)內(nèi)部由于管理缺失，規(guī)章制度不完整等因素造成的損失。通過分析企業(yè)運營數(shù)據(jù)，從服務(wù)、經(jīng)營過程發(fā)現(xiàn)各類異常事件并建立相應(yīng)的異常事件識別模型。同時為了保障模型識別的準(zhǔn)確性，方便管理者的調(diào)查，我們采取異常事件關(guān)聯(lián)定位，視頻回放驗證等方法盡可能地還原損失發(fā)生的場景，讓管理者隨時隨地獲取損失數(shù)據(jù)，查看損失情況，減少管理者審計流水?dāng)?shù)據(jù)的工作量，降低管理成本，間接地增加營業(yè)額和利潤，促進企業(yè)健康發(fā)展。

1 防損管理系統(tǒng)框架

餐飲企業(yè)中，客戶的賬單數(shù)據(jù)和內(nèi)部計件數(shù)據(jù)包含大量反映企業(yè)經(jīng)濟狀況的重要信息。本文所使用的相關(guān)研究數(shù)據(jù)都來源于2016年3月1日到2016年10月31日某連鎖餐飲企業(yè)的具體運營數(shù)據(jù)，其中包括的所有賬單流水，付款流水，服務(wù)員詳細(xì)計件數(shù)據(jù)，視頻監(jiān)控數(shù)據(jù)等。

防損管理系統(tǒng)基于企業(yè)運營期間的各種數(shù)據(jù)，針對目前企業(yè)服務(wù)不規(guī)范導(dǎo)致的企業(yè)非正常利潤損失問題，首先對餐飲數(shù)據(jù)非結(jié)構(gòu)化、形式多樣的數(shù)據(jù)進行預(yù)處理，其次在優(yōu)化處理后的數(shù)據(jù)基礎(chǔ)上研究企業(yè)服務(wù)流程，分析服務(wù)過程各類異常事件產(chǎn)生的原因，建立異常事件識別模型，最后再通過視頻監(jiān)控回溯的方法對異常事件的場景進行定位回放，查看當(dāng)時的損失具體情況，為管理者對運營過程中的異常處理提供可靠的證據(jù)支持。系統(tǒng)框架如圖 1所示。

2 基于機器學(xué)習(xí)的異常事件識別模型

2.1 服務(wù)流程與特征分析

通過仔細(xì)審閱門店人工稽查確認(rèn)的異常賬單數(shù)據(jù)和服務(wù)員計件數(shù)據(jù)，并與相關(guān)經(jīng)理人員討論后，我們總結(jié)了以下三種類型異常事件：

（1）漏記油碗：油碗是火鍋中重要的調(diào)味品。由于自助油碗的存在，用餐時油碗的數(shù)量是需要服務(wù)員來記錄的。當(dāng)就餐人數(shù)較多，服務(wù)員可能會漏記中途新來的顧客或者口述不需要油碗但依然使用的顧客。

圖1 防損管理系統(tǒng)框架Fig.1 Framework of the loss prevention management system

（2）優(yōu)惠吃單：打折和優(yōu)惠是餐飲企業(yè)常用的促銷手段。但是在具體實施過程中，有的服務(wù)員會利用自己的權(quán)限以及結(jié)賬流程中的一些漏洞，將本應(yīng)該優(yōu)惠給顧客的利益據(jù)為己有。

（3）虛增計件：員工工資的一部分是按工作量來計算的。餐飲企業(yè)運營過程中，有一些工作量是通過員工自行打卡統(tǒng)計的，比如傳菜次數(shù)，服務(wù)次數(shù)，洗碗時間，參與活動次數(shù)等。因此會出現(xiàn)員工為牟取更多工資而虛增自己的工作量。

根據(jù)業(yè)務(wù)流程和異常事件以下列出了一些異常事件的真實案例說明。漏記油碗常發(fā)生于顧客就餐時期，最典型的案例就是，起初只有兩位顧客用餐，中途又來了兩位顧客，由于服務(wù)員工作失誤，忘記增加新來顧客的自助油碗費用，結(jié)果導(dǎo)致餐飲利潤損失。虛增計件，大多表現(xiàn)為服務(wù)員會自行虛報就餐人數(shù)以及服務(wù)次數(shù)，從而增加自己的工作量。優(yōu)惠吃單異常事件常發(fā)生于餐后，不同服務(wù)員擁有不同的優(yōu)惠權(quán)限，若顧客看完預(yù)結(jié)賬賬單后將錢交給服務(wù)員后匆匆離開，服務(wù)員便有可趁之機，使用自己的優(yōu)惠權(quán)限對賬單進行優(yōu)惠后再去結(jié)賬臺結(jié)賬，將本應(yīng)該是顧客享受的優(yōu)惠金額納為己有。

通過對業(yè)務(wù)流程的分析是為了更加深刻地理解三種異常事件產(chǎn)生的原因和時期，有助于熟悉應(yīng)用場景和特征選擇。用于數(shù)據(jù)分析的原始數(shù)據(jù)可能包含十幾項屬性，其中一些屬性與分析不相關(guān)，遺漏相關(guān)屬性或留下不相關(guān)屬性都是有害的，通過刪除不相關(guān)的屬性即特征選擇過程[5]。特征選擇不僅可以減少特征數(shù)量，使模型泛化能力更強，減少過擬合，而且好的特征選擇能夠提升模型的性能，更能增強我們對特征和特征值之間的理解。特征選擇過程如圖2所示。具體步驟如下：

圖2 特征選擇過程Fig.2 Featur e selection process

（1）初步預(yù)處理原始數(shù)據(jù)后，根據(jù)餐廳經(jīng)理提供的先驗知識和與數(shù)據(jù)屬性，可通過人工篩選得到一組特征全集。

（2）從特征全集中產(chǎn)生出一個特征子集，然后用評價函數(shù)對該特征子集進行評價，評價的結(jié)果與停止準(zhǔn)則進行比較，若評價結(jié)果比停止準(zhǔn)則好則停止，否則就繼續(xù)產(chǎn)生下一組特征子集，繼續(xù)進行特征選擇，直到選出最佳特征集為止。選出來的特征子集一般還要驗證其有效性。

一個最優(yōu)的特征屬性子集會為后續(xù)的評價過程提供良好的基礎(chǔ)。搜索的算法分為完全搜索，啟發(fā)式搜索，隨機搜索3大類。完全搜索包括廣度優(yōu)先搜索(BFS)，分支限界搜索(BAB)[6]，定向搜索(BS)，最優(yōu)優(yōu)先搜索(BFS)[7]等；啟發(fā)式搜索包括序列前向選擇(SFS)，序列后向選擇(SBS)，雙向搜索(BDS)，增L去R選擇算法(LRS)，序列浮動選擇(SeqFS)，決策樹(DTM)等；隨機算法包括隨機產(chǎn)生序列選擇算法(RGSS)，模擬退火算法(SA)，遺傳算法(GS)[8]等。評估函數(shù)一般分為五類：相關(guān)性，距離，信息增益，一致性和分類錯誤率。常用的有平方距離、歐式距離、非線性測量、Minkowski距離、信息增益[9]、最小描述長度、互信息[10]、一致性度量、分類錯誤率、分類正確率等。根據(jù)需求，本文目前所使用的搜索算法是最優(yōu)優(yōu)先搜索(Best First Search)，也就是回溯的貪婪搜索算法進行特征子集的選擇。評估函數(shù)則通過相關(guān)性度量，綜合考慮每一個屬性的預(yù)測能力和他們之間的關(guān)聯(lián)性進行評估。

特征選擇結(jié)果對后續(xù)的異常事件識別至關(guān)重要。根據(jù)前面提出的特征選擇方法，針對每一種異常事件，我們篩選的最終特征集如表1所示。由表中可以看出，最終特征集中的特征都來自于原始數(shù)據(jù)屬性或者他們的組合。

表1 不同異常事件的特征集Tab.1 Features of each exceptional event

2.2 異常事件的分類識別

選擇好合適的特征之后，要挑選適當(dāng)?shù)姆诸惸Ｐ蛠碜R別具體的異常事件。不同的分類模型適用于不同的數(shù)據(jù)情況和應(yīng)用場景，有不同的優(yōu)缺點。比如決策樹易于理解和解釋，它能夠在相對短的時間內(nèi)對大型數(shù)據(jù)源做出可行且效果良好的結(jié)果，但是對于各類別樣本數(shù)量不一致的數(shù)據(jù)，信息增益的結(jié)果偏向于具有更多數(shù)值的特征[11]；人工神經(jīng)網(wǎng)絡(luò)分類的準(zhǔn)確度高，并行分布處理能力強，而且能充分逼近復(fù)雜的非線性關(guān)系，具備聯(lián)想記憶的功能，但大量的調(diào)參工作會影響到結(jié)果的可信度[12]；SVM(支持向量機)可以解決小樣本情況下的機器學(xué)習(xí)問題，可以解決高維問題，但它對缺失數(shù)據(jù)很敏感[13-14]；樸素貝葉斯發(fā)源于古典數(shù)學(xué)理論，有堅實的數(shù)學(xué)基礎(chǔ)和穩(wěn)定的分類效率，它的優(yōu)點需要設(shè)定的參數(shù)很少，對缺失數(shù)據(jù)不太敏感，算法也易于理解[15]；KNN算法簡單有效，重新訓(xùn)練的代價較低，對類域的交叉或重疊較多的待分樣本集來說，較其他方法更為合適，但不適用于樣本容量較小的類域[16]。集成學(xué)習(xí)是對多種分類方法的融合，它通過連續(xù)調(diào)用單個學(xué)習(xí)算法，獲得不同的基學(xué)習(xí)器，然后根據(jù)規(guī)則組合這些學(xué)習(xí)器來解決問題，這需要分配合適的權(quán)值[17-18]。通過對比多種分類算法，本文選擇使用樸素貝葉斯模型。

進行了多組對比實驗來說明樸素貝葉斯方法的合理性，表2是樸素貝葉斯方法與其他分類模型的實驗比較結(jié)果。由實驗結(jié)果可看出，樸素貝葉斯模型分類效果比其他分類模型更好。在數(shù)據(jù)規(guī)模不是特別大的場景下，該分類模型準(zhǔn)確率較高而且對異常值不敏感。因此，采用樸素貝葉斯模型來識別異常事件。

表2 樸素貝葉斯與其他分類模型的實驗比較結(jié)果Tab.2 Comparison between different methods

3 基于快速視頻回溯的防損查證方法

合理的防損查證方法是防損管理系統(tǒng)中的關(guān)鍵環(huán)節(jié)，在建立好防損模型以后，對經(jīng)營數(shù)據(jù)進行實時處理，通過防損管理系統(tǒng)對異常事件進行預(yù)警，管理者在需要確認(rèn)損失是否發(fā)生時通過關(guān)聯(lián)數(shù)據(jù)的源頭視頻，查看任意時間段經(jīng)營視頻，驗證防損預(yù)警的真實性，保障企業(yè)以及服務(wù)人員合理利益。防損查證主要包括三方面內(nèi)容：

（1）異常預(yù)警機制。通過防損建模過程對經(jīng)營數(shù)據(jù)進行定量分析，通過消息提醒、信息推送等多種方式，對企業(yè)運營過程中產(chǎn)生的異常事件進行預(yù)測并向管理者發(fā)出預(yù)警信息。

（2）異常事件定位與處理。根據(jù)模型識別出的異常事件，將處理后的數(shù)據(jù)與產(chǎn)生損失場景模型進行比較，匹配實際損失數(shù)據(jù)，快速定位異常事件場景。

（3）回溯驗證方法。為了驗證拋出的異常事件確實造成企業(yè)經(jīng)營損失，利用基于自適應(yīng)流媒體技術(shù)視頻監(jiān)控系統(tǒng)，通過關(guān)聯(lián)數(shù)據(jù)的源頭視頻，對產(chǎn)生損失的場景進行視頻回放，實現(xiàn)異常事件有源可查。

目前，各類餐飲企業(yè)門店都安裝有視頻監(jiān)控系統(tǒng)，由于視頻內(nèi)容的文件大小等原因，具有快速回溯功能的查證方法是防損系統(tǒng)的關(guān)鍵。現(xiàn)有基于像素域的關(guān)鍵幀提取方法大多建立在視頻完全解壓的前提下，計算量較大，效率較低，難以滿足實時性。

為了保證在任意網(wǎng)絡(luò)環(huán)境下取證視頻的清晰播放，基于H.264對實時視頻播放質(zhì)量進行改善[19]，在保證播放流暢性與準(zhǔn)確性的前提下解決網(wǎng)絡(luò)情況較差情況的視頻播放問題。本文采用基于鄰近 I幀DC圖像相似度的壓縮域關(guān)鍵幀提取方法，可以快速準(zhǔn)確地完成網(wǎng)絡(luò)視頻關(guān)鍵幀提取過程，解決現(xiàn)有關(guān)鍵幀提取方法存在的只能處理單一視頻標(biāo)準(zhǔn)的缺點，有效減少視頻處理的數(shù)據(jù)量，降低計算的時空復(fù)雜度，提高視頻內(nèi)容分析的效率[20]。圖3為關(guān)鍵幀提取流程。

圖3 關(guān)鍵幀提取流程圖Fig.3 Flowchart of the key frame extraction

本方法在壓縮域上直接進行關(guān)鍵幀提取，根據(jù)相鄰 DC圖像之間的相似度，將圖像聚類成不同的簇 Class（簇內(nèi)相似度接近，簇間差異較大），隨機提取簇內(nèi)任意幀組成關(guān)鍵幀序列。能夠提高視頻內(nèi)容分析的速度，可以快速完成網(wǎng)絡(luò)視頻關(guān)鍵幀提取過程，并保證結(jié)果的有效性和準(zhǔn)確性。

4 防損管理系統(tǒng)設(shè)計

防損管理系統(tǒng)主要分為三大部分：

（1）異常事件判斷。主要功能為系統(tǒng)將收到的事件數(shù)據(jù)根據(jù)模型進行篩選，當(dāng)事件被識別為異常時，將該異常事件拋出；

（2）異常事件數(shù)據(jù)接收。主要功能為實時接收拋出的異常事件數(shù)據(jù)，進行存貯，這些數(shù)據(jù)能夠按照不同時間、類型選擇進行統(tǒng)計展示；

（3）異常事件產(chǎn)生時對應(yīng)的視頻數(shù)據(jù)。主要功能為當(dāng)稽查人員對異常事件進行分析時，系統(tǒng)能夠?qū)?yīng)信息的視頻數(shù)據(jù)進行回放取證。

圖4為店面總覽頁面，此頁面可以實時查看各店交易事件和異常事件的狀態(tài)，分店連接狀態(tài)等。

圖5為分店巡視頁面。此頁面可以查看指定異常事件以及對應(yīng)的處理情況，并且可以按時間或事

件對指定異常事件進行影像回放，也具有支持畫面截圖功能。

圖4 店面總覽頁面Fig.4 Page of store overview

圖5 分店巡視頁面Fig.5 Monitor page of individual store

圖6 為統(tǒng)計分析頁面，以圖形化或報表方式展示各種統(tǒng)計數(shù)據(jù)，支持用戶自定義統(tǒng)計類型，方便管理者的分析使用。

5 結(jié)語

未來餐飲行業(yè)發(fā)展趨勢要求中提高企業(yè)管理水平與競爭力，借助信息化技術(shù)提高人員效率、降低企業(yè)運營成本以及標(biāo)準(zhǔn)化、規(guī)模化發(fā)展是企業(yè)未來發(fā)展過程中的核心要求。本文實現(xiàn)的餐飲業(yè)防損管理系統(tǒng)，可以幫助餐飲行業(yè)的管理者及時發(fā)現(xiàn)異常事件，盡可能地還原損失發(fā)生的場景，并通過視頻查證的方法定位損失的具體內(nèi)容，讓管理者隨時隨地獲取損失數(shù)據(jù)，查看損失情況，減少管理者審計流水?dāng)?shù)據(jù)的工作量，降低管理成本，間接地增加營業(yè)額和利潤，促進企業(yè)健康發(fā)展。

圖6 統(tǒng)計分析頁面Fig.6 Page of statistical analysis

[1] Zhang L. Model projections and policy reviews for energy saving in China's service sector[J]. Energy Policy, 2013, 59:312-320.

[2] Eriksson M, Strid I, Hansson P A. Food losses in six Swedish retail stores: Wastage of fruit and vegetables in relation to quantities delivered[J]. Resources, Conservation and Recycling,2012, 68: 14-20.

[3] Lebersorger S, Schneider F. Food loss rates at the food retail,influencing factors and reasons as a basis for waste prevention measures[J]. Waste Management, 2014, 34(11):1911-1919.

[4] 童光森, 肖威. 連鎖超市防損分區(qū)與分流管理淺析[J]. 商場現(xiàn)代化, 2014(7): 93-93.

[5] 毛勇, 周曉波, 夏錚, 等. 特征選擇算法研究綜述[J]. 模式識別與人工智能, 2007, 20(2): 211-218.

[6] 王春梅. 分支限界算法的研究與實現(xiàn)[J]. 現(xiàn)代電子技術(shù),2011, 34(9): 121-123.

[7] Dechter R, Pearl J. Generalized best-first search strategies and the optimality of A*[J]. Journal of the Acm, 1985, 32(3):505-536.

[8] 吉根林. 遺傳算法研究綜述[J]. 計算機應(yīng)用與軟件, 2004,21(2): 69-73.

[9] 鐘寧, 尹旭日, 陳世福. 基于信息增益的最佳屬性集發(fā)現(xiàn)方法[J]. 小型微型計算機系統(tǒng), 2002, 23(4): 444-446.

[10] 徐峻嶺, 周毓明, 陳林, 等. 基于互信息的無監(jiān)督特征選擇[J]. 計算機研究與發(fā)展, 2012, 49(2):372-382.

[11] 王小巍, 蔣玉明. 決策樹ID3算法的分析與改進[J]. 計算機工程與設(shè)計, 2011, 32(9): 3069-3072.

[12] 毛健, 趙紅東, 姚婧婧. 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計工程, 2011, 19(24): 62-65.

[13] 丁世飛, 齊丙娟, 譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報, 2011, 40(1): 2-10.

[14] Xiao xiao, Xu Qihua. A Comparative Research on the Classification and Regression Based on SVM and BP[J]. The Journal of New Industrialization, 2014, 4(5): 48-53.

[15] 王國才. 樸素貝葉斯分類器的研究與應(yīng)用[D]. 重慶交通大學(xué), 2010.

[16] 閉小梅, 閉瑞華. KNN算法綜述[J]. 科技創(chuàng)新導(dǎo)報,2009(14): 31-31.

[17] Polikar R. Ensemble Learning[J]. Scholarpedia, 2012, 4(1):1-34.

[18] 王兵. AdaBoost 分類算法的數(shù)學(xué)分析[J]. 軟件, 2014,35(3): 96-97.

[19] 蔣敏, 周亞建, 張斌. 一種基于量化的H.264視頻水印算法[J]. 軟件, 2013, 34(8): 46-51.

[20] 孫欽東, 王倩, 郭曉軍等. 基于鄰近I幀DC圖像相似度的壓縮域關(guān)鍵幀提取方法[P]. 中國, ZL200910022941.4, 2011.