输入烧烤店时段客流，自动调整食材准备量，减少浪费

根据历史客流数据，预测未来时段的客流量，并自动计算最优食材准备量，从而减少浪费、降低成本、提升运营效率。

1. 实际应用场景描述

场景背景

烧烤店在一天的不同时间段客流差异很大，例如：

- 午餐时段（11:00–14:00）客流中等

- 晚餐时段（17:00–21:00）客流高峰

- 夜宵时段（21:00–24:00）客流波动较大

如果食材准备过多，会造成浪费；准备过少，则会损失销售机会。

痛点

1. 老板痛点：凭经验备货，容易过量或不足。

2. 厨师痛点：临时加单导致出餐慢，影响体验。

3. 浪费痛点：每天剩余食材需处理，增加成本。

解决方案

通过采集历史时段客流数据，利用时间序列预测模型预测未来客流，并根据菜品销量比例自动计算食材准备量，实现按需备货。

2. 核心逻辑讲解

1. 数据采集

- 历史时段客流量（每小时）

- 各菜品销量占比（如羊肉串占30%，鸡翅占20%等）

2. 客流预测

- 使用移动平均或简单指数平滑预测未来几小时的客流量。

3. 食材计算

- 根据预测客流 × 人均消费 × 菜品占比 = 各菜品预计销量

- 再乘以安全系数（防止突发客流）得到准备量。

4. 输出结果

- 显示未来几小时的预测客流

- 显示各菜品建议准备量

3. 代码模块化设计

bbq_inventory_optimizer/

│

├── data/ # 数据目录

│ ├── traffic_data.csv # 时段客流数据

│ └── dish_ratio.json # 菜品销量占比

├── model.py # 客流预测模型

├── calculator.py # 食材计算

├── main.py # 主程序

├── utils.py # 工具函数

├── README.md # 项目说明

└── requirements.txt # 依赖库

4. 代码实现

"data/traffic_data.csv" 示例

hour,visitors

11,50

12,80

13,60

17,120

18,150

19,140

20,130

21,90

22,70

"data/dish_ratio.json" 示例

{

"羊肉串": 0.3,

"鸡翅": 0.2,

"烤茄子": 0.15,

"烤玉米": 0.15,

"其他": 0.2

}

"utils.py"

import pandas as pd

import json

def load_traffic_data(file_path):

"""加载客流CSV"""

return pd.read_csv(file_path)

def load_dish_ratio(file_path):

"""加载菜品占比JSON"""

with open(file_path, 'r') as f:

return json.load(f)

"model.py"

import numpy as np

from utils import load_traffic_data

class TrafficPredictor:

def __init__(self, data, window=3):

self.data = data

self.window = window

def moving_average_predict(self, hours=6):

"""移动平均预测"""

last_avg = self.data['visitors'].tail(self.window).mean()

return [last_avg] * hours

"calculator.py"

def calculate_ingredients(predicted_visitors, dish_ratio, avg_spend_per_person=50, safety_factor=1.1):

"""计算食材准备量"""

total_sales = predicted_visitors * avg_spend_per_person * safety_factor

ingredients = {}

for dish, ratio in dish_ratio.items():

ingredients[dish] = total_sales * ratio

return ingredients

"main.py"

from utils import load_traffic_data, load_dish_ratio

from model import TrafficPredictor

from calculator import calculate_ingredients

def main():

# 1. 加载数据

traffic_df = load_traffic_data('data/traffic_data.csv')

dish_ratio = load_dish_ratio('data/dish_ratio.json')

# 2. 预测未来6小时客流

predictor = TrafficPredictor(traffic_df, window=3)

predicted_visitors = predictor.moving_average_predict(6)

# 3. 计算食材准备量

ingredients = calculate_ingredients(predicted_visitors, dish_ratio)

# 4. 输出

print("=== 烧烤店食材准备推荐 ===")

print("预测未来6小时客流:", [int(v) for v in predicted_visitors])

print("\n建议食材准备量:")

for dish, amount in ingredients.items():

print(f" {dish}: {amount:.2f} 元销售额对应的食材量")

if __name__ == "__main__":

main()

5. README.md

# 烧烤店时段客流预测与食材自动调整系统

基于历史客流数据，预测未来客流并自动计算食材准备量，减少浪费。

## 功能

- 加载时段客流数据

- 移动平均预测未来客流

- 根据菜品销量占比计算食材准备量

- 输出推荐备货清单

## 安装

bash

pip install -r requirements.txt

## 使用

bash

python main.py

## 数据格式

- traffic_data.csv: hour, visitors

- dish_ratio.json: {"菜品名": 占比}

## 作者

全栈开发工程师 & 技术布道者

6. 使用说明

1. 将客流数据保存为

"data/traffic_data.csv"。

2. 将菜品占比保存为

"data/dish_ratio.json"。

3. 运行

"python main.py"。

4. 查看控制台输出的预测客流与食材准备建议。

7. 核心知识点卡片

知识点 说明

移动平均预测 用最近几小时的平均值预测未来

安全系数 防止突发客流导致缺货

菜品占比 根据历史销量确定各菜品准备比例

模块化设计 分离数据加载、预测、计算逻辑

数字化工厂思想 数据驱动生产计划，减少浪费

8. 总结

本项目将智能制造与数字化工厂中的按需生产理念应用到餐饮行业，实现了：

- 精准预测：基于历史数据预测客流

- 智能备货：按需计算食材量，减少浪费

- 可扩展性：可接入POS系统实时更新数据，甚至用机器学习提升预测精度

如果你愿意，可以升级为实时客流监控系统，结合摄像头+AI人数统计，并做成Web看板，让老板每天都能看到预测与备货建议。

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！