析过程
整个过程一共分为三个步骤：
- 数据来源（细节部分不做展开，代码已公开在GitHub上）
- 基础分析（可以跳过，一些基本的数据分析方法、流程）
- 进阶分析（先来一张热力图，所有店铺的空间数据分析）
数据来源
利用爬虫技术获取了餐饮全分类、地域一级二级分类
< class="pgc-img">在获取每个分类下面的标题、分数、评论、地址、人均、所有代金券数据
< class="pgc-img">然后要把数据存入MySql数据库中
< class="pgc-img">基础分析
先max,min看下异常数据，这些极值会影响最后统计结果，人均价格和评分有0的情况，对最后统计没有意义将这些数据进行剔除
< class="pgc-img">对数据总量和剔除无效后的数据做一个占比展示，那么最后可以使用的数据26793条，占总量89%
from pyecharts import Liquid
?
liquid=Liquid(title="样本数",subtitle='样本总量29876 剔除均价和评分为0的数据所剩的数量26793')
liquid.add("Liquid", [0.89, 0.7, 0.5, 0.3], is_liquid_outline_show=False)
liquid
< class="pgc-img">好，接下来我们再来看下在这89%的数据中，我们按人均价格降序排解，到底哪几家会脱颖而出~
from pyecharts import Bar,Grid
?
df=df.head(10)
title=df['title']
avg_price=df['avg_price']
avg_score=df['avg_score']
comment_num=df['comment_num']
?
bar=Bar(title="餐饮商家前十排行",subtitle='数据来源神秘组织：*团',width=800,height=400)
bar.add("人均", title, avg_price, mark_point=["min", "max"],mark_line=["average"])
bar.add("评论数", title, comment_num,mark_point=["max"],is_label_show=True, xaxis_rotate=30)
?
grid=Grid(height=500)
grid.add(bar, grid_bottom="30%")
< class="pgc-img">< class="pgc-img">榜单前10的平均人均消费也达到了1126.4 RMB，其中，最贵的是“黄公子”人均 2665 RMB，不由得让我们对前10的商家起了兴趣，于是上了百度查看了一下
< class="pgc-img">【黄公子】 人均 2665 RMB
隐藏在老式洋房里的一家人均千元的定制私房菜，仪式感十足，每天只接受10位顾客的预定，你们谁家宽裕的可以带我去遛遛=。=
< class="pgc-img">【MOOK酒吧】人均 1044 RMB
什么是“当当当当，当当当?” 天哪! 还有漂亮的小姐姐...~哇靠，仿佛恋爱了...=。=
< class="pgc-img">【洋房火锅】人均 901 RMB
火锅中的劳斯莱斯...A级和牛600~800,涮一片牛肉小两百...我的天...贫穷真的限制我了我的想象=。=
看完最贵的，那么我们看下最热的，也就是评论数最多的
< class="pgc-img">从数据表中可以看出，整个评论排行榜的前十均被 小吃快餐、自助餐 2类霸榜（其中还剔除了各种xxx分店），有趣的是前十店铺的地址大多都在 嘉定、奉贤、松江、曹路 这些地区都在上海外环以外。这里有些店铺可能存单刷单嫌疑。
from pyecharts import Bar,Grid
?
sql3='''#sql3
select distinct a.sub_id,a.sub_name,
b.poi_id,b.title,b.avg_price,b.avg_score,b.comment_num,b.address from meituan_classify_info as a
inner join meituan_shop_info as b on a.sub_id=b.sub_id and a.class_type=b.class_type
where a.class_type=1 and a.sub_id not in(24,393,395) and b.avg_price <> 0 and b.avg_score <> 0
and CONCAt(b.sub_id,b.poi_id) not in ('6342030772','4050576755','6350576755','4052163162','2006068147006','5452800270','4087812358','6387812358','543311762')
order by b.comment_num desc limit 10;
'''df3=pd.read_sql(sql3,conn)
data=sorted(df3[['title','comment_num']].values ,key=lambda x: x[1],reverse=True)
attr=[i[0] for i in data]
val=[i[1] for i in data]
?
bar=Bar()
bar.add('comment_num', attr, val,is_label_show=True,xaxis_rotate=30)
grid3=Grid(height=500)
grid3.add(bar, grid_bottom="30%")
< class="pgc-img">< class="pgc-img">【燕烤猪蹄店】人均 10 RMB
评论数量第一的竟然是家烤猪蹄店...!! 但为何以如此高的评论数位居榜首？是否存在刷榜行为?
对这块了解的请留言告知~(图3是本尊，喜欢的请点赞!)
好了，言归正传，分类不同，价格会相差很大，所以不能对所有类别进行全量统计（例如日料和小吃的价格就是天壤之别）下面的箱线图就很好的表达了这些分类的数据分布情况：
from pyecharts import Boxplot
?
sql='''select distinct sub_id,sub_name from meituan_classify_info where class_type=1 and sub_id not in(24,393,395)'''
df=pd.read_sql(sql,conn)
?
sql2='''select distinct poi_id,avg_price,sub_id from meituan_shop_info where class_type=1 and avg_price <> 0 and avg_score <> 0'''
df2=pd.read_sql(sql2,conn)
?
x_axis=[]
y_axis=[]
for i in df.index:
sub_id=df.loc[i].values[0]
sub_name=df.loc[i].values[1]
avg_price=df2[df2['sub_id']==sub_id ]['avg_price'].values
x_axis.append(sub_name)
y_axis.append(avg_price)
?
boxplot=Boxplot("菜系数据分布情况")
_yaxis=boxplot.prepare_data(y_axis) # 转换数据
tp_dict={k:v for k,v in zip(x_axis,_yaxis)}
idx_tp=sorted([(max(v),k) for k,v in zip(x_axis,_yaxis)])
?
# 根据max排序
x_ax=[]
y_ax=[]
for i in idx_tp:
x_ax.append(i[1])
y_ax.append(tp_dict[i[1]])
boxplot.add('boxplot', x_ax,y_ax,is_datazoom_show=True, datazoom_type='both',xaxis_rotate=30)
?
grid=Grid()
grid.add(boxplot, grid_bottom="20%")
< class="pgc-img">分类有很多种，要把菜系和食品的类别区分开（火锅可以是川菜也可以是日料，日料可以是自助也可以是海鲜）所以我们要把分类再细化，这里剔除食品分类，筛选出菜系类别（如：日料、川菜、粤菜、浙江菜、西北菜等）
from pyecharts import Pie
?
sorted_df=sorted(df4[['sub_name','cnt']].values, key=lambda x:x[1],reverse=True)
attr=[i[0] for i in sorted_df]
val=[i[1] for i in sorted_df]
?
pie=Pie("*团各大菜系店铺数", title_pos='center', width=800)
?
pie.add("菜系", attr, val, center=[50, 50], is_random=True,
radius=[35,65], rosetype='radius',legend_orient='vertical',legend_pos='left',
is_legend_show=True, is_label_show=True)
< class="pgc-img">川湘菜、浙江菜、日料、粤菜、韩料 位居前5，可以说统计结果跟现实中完全吻合，继续对数据进行下钻，接下来就来专门研究下日料的情况。
进阶分析
在做日料店分布之前先来，上海市餐饮整体的一个分布情况，将数据库所有店铺的地址做清洗处理，然后百度地理经纬度坐标
将区域的每个坐标进行分组聚类，然后嵌入百度地图中（具体怎么嵌，请搜索百度地图SDK平台），就生成了下图 :
# 这里有几个知识点，地理坐标系一共分为几类
# 1.GPS设备获取的角度坐标，wgs84坐标
# 2.国测局坐标，gcj02坐标
# 3.百度经纬度坐标，bd09ll坐标
# 由于坐标信息都是经过加密处理，需要统一坐标才能够使用
?
sql='''select round(lng,4),round(lat,4),count(*) * 10 from meituan_shop_map
group by round(lng,4),round(lat,4);'''
cur.execute(sql)
result=cur.fetchall()
# 将坐标聚类，清洗
hotmap=[{"lng": float(i[0]), "lat": float(i[1]), "count": int(i[2])} for i in result]
15层级图中可以获取到很多信息，人口密集程度，商业繁华程度侧面就不说了，主要一下三点：
< class="pgc-img">- 明显的两大区域，分别是以静安寺为中心向南京西路延伸段、人民广场至南京路延申段，两大商业区餐饮商铺成均匀及延续分布，说明不仅店多而且分布广。
- 次级区域分别有，上海火车站（不夜城）、中山公园、八佰伴、长寿路
- 说明这些地区也有相当部分市场。
- 高热集中区域有，陆家嘴、环球港、中山公园、华东大学、马当路地铁站，铜川路等，这些高热征他们都分布在地铁枢纽区域，地域小店铺分布密集。
12层级图中环以外区域，从10点方向逆时针主要有几个明显区域：
< class="pgc-img">安亭镇、南翔镇、华漕镇、九亭镇、莘庄镇、曹行镇、周浦镇、张江镇、川沙镇、金桥镇、曹路镇，都是以人口较密区域成散点式分布
10层级图上海餐饮分布总览：
< class="pgc-img">左下3个大片红色区域由外向内分别是：金山、奉贤、松江
右下大红色是：惠南
上面岛屿是：崇明
终于到了上海日料分布情况的环节
< class="pgc-img">热力图呈现大面积黄色区域为古北、天山地区，那边日本企业较多，所以日料店也相对较多，其次就是静安寺、人名广场、徐家汇、八佰伴等商圈
好了，地理坐标系的分析就到此告一段落，接下来尝试找出最好吃的日料店，由于评论，价格，评分的数值不在一个维度中，那么我们先要对这些数值进行收敛处理，处理步骤如下：
- 点评极值差异相当大，那么用log10去对评论进行收敛
- 价格虽越贵越好吃的概率较大，但为了找到性价比最高的店，这里将价格作为降权处理
- 评分最大5分最小0分，将0分提出，也同样对其进行收敛处理
- 对3个指标的线性加权，再用算法进行归一化处理(var - min) / (max - min) 就得到了最后的评分
select poi_id, title ,(result - min_rst) / (max_rst - min_rst) as convergence ,comment_num ,comnt ,avg_price ,price ,avg_score ,score, result , max_rst , min_rstfrom( select poi_id, title ,comment_num ,ifnull(log(20,comment_num),0) as comnt ,avg_price ,log10(avg_price) as price ,avg_score ,ifnull(log2(avg_score),0) as score ,ifnull(log(20,comment_num),0) - log10(avg_price) + ifnull(log2(avg_score),0) as result ,1 as inner_col from meituan_shop_info where sub_id=20059 and avg_price <> 0) as x left join ( select max(ifnull(log(20,comment_num),0) - log10(avg_price) + ifnull(log2(avg_score),0)) as max_rst ,min(ifnull(log(20,comment_num),0) - log10(avg_price) + ifnull(log2(avg_score),0)) as min_rst ,1 as inner_col from meituan_shop_info where sub_id=20059 and avg_price <> 0) as y on x.inner_col=y.inner_col order by convergence desc
所有日料店加权计算后评分后，筛选出300RMB以上的日料店，吃货们自己去百度搜下吧，就不逐个介绍了
< class="pgc-img">【舞泽】人均 313 RMB
很多料理都是采用蒸的方法来烹饪的，「生冻雪蟹」「蒸海鲜」「帝王蟹」「茶泡饭」都是特色，这些我都是听说的，等赚到钱了一定要去吃一下~
科瑞 华楠
摘 要：为了解决传统油烟检测方法中成本高、效率低、实时性差等问题，设计开发了一种在线油烟实时监测系统；系统由采集、通讯、服务器和用户交互四个模块组成；采集模块采集油烟数据，通过GPRS通讯技术将数据发送至服务器；数据在服务器中按照解码规则进行解码后，存入数据库；通讯模块采用MINA 框架进行开发，服务器模块采用SSM框架开发；用户交互模块为B/S模式，用户登陆监测网站访问服务器；服务器提供实时数据、历史数据和超标数据查询等功能，方便了相关部门对油烟排放的监督与管理，提高了监测中心工作效率和服务质量。
关键词：油烟检测；实时性；无线通讯
0 引言
“民以食为天”这句话说明了我国的餐饮行业是一个不会衰落的行业。近几年随着经济的发展，我国餐饮市场也得到了巨大的发展。与此同时餐饮业油烟排放没有得到有效控制，大量未经过净化处理或净化不合格的油烟排放到大气中，该油烟对空气质量的影响越来越大。国家早在2001年颁布 《饮食业油烟排放标准》，对油烟排放浓度有着明确的界定。但直至目前为止，国内的大部分环保部门对于油烟检测都采用化学试剂检测的方法，即现场采样抽取排油烟管道内的气体带回实验室检测出油烟浓度。该方法人工成本高，无法实时掌握餐饮企业排放的油烟数据，导致环保部门无法对餐饮企业进行有效的实时监督与管理。
目前通信技术广泛发展。传输数据无论是在速率和可靠性方面都有显著的提升。本文基于以上背景，设计开发一种在线实时的油烟监测系统。该系统由气体和温度传感器实时采集油烟数据，并通过GPRS通讯实时的将数据发送至服务器，并将数据存入数据库。用户可通过访问服务器监测相关餐饮企业排放的油烟数据。稳定的系统节省了人力，提高了监管部门对环境的监控力。
1 系统总体设计
1.1 需求分析
为解决环保检测的实时性、检测成本高等问题，系统需要具有以下功能：1）数据采集：通过传感器实时采集油烟数据；2）实时通讯：将采集到的数据实时的发送至服务器，服务器反馈给发送端是否收到数据以及数据是否合格；3）数据存储功能：将油烟数据存入数据库以便查询、统计和导出等；4）实时数据显示：显示餐饮企业排放的实时油烟数据；5）实时位置显示：显示传感器的实时地理位置；6）超标提示：根据 《饮食业油烟排放标准》的规定，在进行油烟数据显示时，对超过标准的油烟数据进行标注并在监测网站显示；7）数据查询：具有历史数据查询、超标数据查询、实时数据查询功能；8）设备管理：具有对油烟检测设备信息进行增、删、改、查的功能；9）用户管理：具有对用户信息进行增、删、改、查的功能；10）用户登陆功能：访问服务器需要填写正确的账号密码。
1.2 系统设计
本系统由采集、通讯、服务器和用户交互4个模块组成。其中，采集模块由油烟检测探头和油烟检测节点组成。其中，油烟检测探头由传感器、A/D转换器和CAN总线组成。油烟检测节点由单片机和通讯模块组成。检测探头中的传感器负责实时采集油烟数据 （油烟浓度、温度、电流、电压、经度、纬度和设备运行状态），该数据通过CAN总线传输至油烟检测节点。检测节点中的通讯模块负责将数据通过GPRS传输至服务器。服务器模块作为监测网站的后台支撑，为实时数据显示、实时曲线显示、历史数据查询、超标记录查询、用户信息管理、设备信息管理和数据存储功能提供服务。用户交互模块负责处理用户通过监测网站访问服务器时的操作，根据不同操作，浏览器显示不同的结果。系统总体功能如图１所示。
图1 系统总体功能图
2 系统硬件设计
本系统中硬件的核心为油烟采集模块，该模块包含油烟检测探头和油烟检测节点，如图2所示。
图2 油烟采集模块硬件设计图
2.1 油烟检测探头
油烟检测探头包括传感器、AD转换器和CAN总线模块。其中，传感器包括气体传感器和温度传感器。气体传感器采用 TGS2602型号传感器。该传感器性能稳定，优点多：功耗小、对烹饪气体敏感、成本低、稳定性强、应用电路简单。对于温度的检测则采用 DS18B20 温度传感器，该传感器的测温范围-55~125℃，分辨率可达0.0625℃，可用于油烟环境中。具有不需要A/D转换器就可直接输出数字信号、外围电路少、适合长距离传输等特点。本文中的CAN总线通信，符合ISO11898标准。采用ADM3053模块，内部集成了DCDC转换器，省掉了光耦隔离，不仅可以隔离单片机与油烟检测探头通信的信号和电源，而且可以节省资源。
2.2 油烟检测节点
油烟检测节点包括微处理器和GPRS通讯模块。微处理器采用STM32F407，该处理器具有高性能、处理数字信号、低功耗、低电压和高度集成等特点，可满足本系统的硬件要求。GPRS通讯模块采用 SIM868，该模块具有通讯和定位稳定的优点。处理器通过AT 指令可控制SIM868模块收发数据的功能。
3 系统软件设计
3.1 通讯模块设计
由于油烟检测节点 （下位机）与服务器 （上位机）距离远，进行有线传输成本高，可实施性差，本文采用 GPRS无线通讯技术。该技术具有传输数据速率高，成本低和零掉线等特点。
系统中的通讯功能基于TCP/IP网络通讯协议，油烟数据按照本文设计的通讯格式打包，打包后的数据由下位机以GPRS无线通讯方式发送至上位机。处理器STM32F407，通过AT指令与上位机建立TCP连接后，便可按照规定的通讯格式向上位机发送数据。在数据发送功能中，上位机接收到数据后自动向下位机发送反馈数据。其通讯格式如表1所示。
表1 上位机发送数据通讯
< class="pgc-img"> 在数据接收功能中，上位机无需向下位机发送查询指令，下位机定时自动的发送数据至上位机。其通讯格式见表2。
表2上位机接收器数据通讯格式
其中油烟数据按照存储结构存放在数据区内，数据区长度为14个字节，数据区具体内容见表3，数据区存储结构见表4。
表3 数据区内容
表4 数据区存储结构
< class="pgc-img"> 上位机部分采用JAVA语言和MINA 通讯框架编写。MINA框架基于Socket网络通讯，由于网络传输的数据都是二进制数据（byte），与程序中的Java对象编码方式不同。所以在上位机发送和接收数据时，需要对数据进行编码和解码操作。而在上位机进行编码或解码前，需判断数据是否满足通讯格式。不满足条件的数据不进行编码或解码处理，不存入数据库。只将日志信息发送至服务器。这种数据预处理可减少不必要的通讯，并缓解数据库压力。
图3中显示了上位机接收数据时，根据数据的报头长度、数据头、数据接收命令、数据长度和CRC校验结果，综合判断该数据是否可进行解码操作。
图3 接收数据预处理
3.2 服务器模块设计
服务器模块采用显示（Web）、服务 （Service）和持久（Dao）层三层架构开发，并采用接口式编程。Web层负责与客户端交互；Service层负责处理复杂的业务逻辑；Dao层负责与数据库交互。系统服务器模块结构如图4 所示，监测网站与用户交互属于Web层，并需要后台服务的支撑。
图4 服务器模块机构
本文在设计Web层采用MVC (Model-Controller-View)设计模式。Model常用于封装数据。Controller位于Model和 View之间，负责接收用户输入，将输入解析后反馈至Model。View负责页面显示。该模式提高开发效率，降低代码耦合度，提高程序的可维护性和拓展性。
服务器模块具有如下功能：1）实时数据：通过点击地图上的标记，显示该企业排放的实时油烟数据；2）实时曲线：实时数据绘制实时油烟、实时温度、实时电流曲线图，可直观地反应企业一段时间内排放的油烟数据；3）历史数据查询：查询餐饮企业排放的油烟历史数据；4）超标记录查询：查询餐饮企业超标的次数和具体油烟数据；5）用户信息管理：管理可登录监测网站的用户号码；6）设备信息管理：管理油烟采集模块设备的信息。比如：设备编号等；7）通讯功能：接收油烟数据以及发送反馈信息；8）数据存储功能：将油烟数据存入数据库；9）用户登陆功能：用户输入正确的账号和密码才能访问服务器。其中，实现实时数据功能时引用百度地图API，目的是将使用油烟采集设备的餐饮企业标注在地图中，环保部门通过点击地图中的标注点，查询其对应企业的实时油烟数据。实现实时曲线功能时引用百度EChart API，目的是通过下拉框选择设备编号，对选中设备绘制实时数据曲线，提高监测的直观性。
3.3 数据库设计
根据需求将数据库表设计为：用户信息表 （承载用户账号、密码等）、设备信息表 （承载采集设备的信息等）和设备数据表 （承载数据整合后发送到服务器的相关信息）。用户信息表包含主键id、用户号码、用户名、用户密码和用户权限字段，如表5所示；用户信息表对应用户登陆功能和用户信息管理功能。将用户登陆时填写的用户名和密码同用户信息表中的用户名和密码进行比对，若比对结果一致，则登陆成功。反之，则不成功。对该表执行相应的SQL语句，可实现用户管理功能中对用户信息的增添、删除、修改和查询。
表5 用户信息表
< class="pgc-img">设备信息表包含id主键、设备编号、注册设备经度、注册设备纬度、企业名称和企业位置字段。如表6所示；该表中的经度和纬度用于实时数据功能中的地图标注。表中的站点编码作为实时曲线、历史数据和超标数据查询功能中下拉框选项中的内容。
表6 设备信息表
< class="pgc-img">设备数据表包含主键id、站点编码、数据时间、运行状态、油烟浓度、温度、电流、电压、东经、北纬、预留位置1、预留位置2和是否注册字段。如表7所示。该表主要用于存储数据和查询数据。服务器接收到的数据经过解码操作，按照表中的字段和结构，对应地存储在该表中。实时数据查询、历史数据查询、超标数据查询功能则根据站点编码（pkID）进行筛选，并通过SQL查询语句，查询出相应的油烟数据并显示。
表7 设备数据表
< class="pgc-img">４ 实验结果与分析
本文将油烟采集设备放置在学校食堂排烟通道中，并设置每5分钟向服务器发送一次数据，存入数据库中。经过测试，油烟采集模块与服务器之间通讯正常，可以准确接收实时数据，并以正确的格式存入数据库中，测试结果如图5所示。
< class="pgc-img">图5 数据库存储油烟数据
登陆监测网站点击地图中的标注点，可以显示该企业的实时油烟数据，并对监测网站的其他功能进行测试，能实现所有设计的功能，测试结果如图6所示。
< class="pgc-img">图6 监测网站功能测试
通过以上测试，验证了本文设计的在线油烟实时监测系统可以满足需求，能实现所有设计的功能。
5 安科瑞AcrelCloud3500餐饮油烟监测云平台
油烟监控主机是现场的管理设备，实时采集油烟浓度探测器和工况传感器的信号，进行数据处理，通过有线或无线网络通讯将数据传输到服务器平台。同时，对本地数据进行存储，监控现场设备状态，提供人机操作界面。
< class="pgc-img">■ 油烟监测设备用来监测油烟、颗粒物、NmHc等数据
■ 净化器和风机配合对油烟进行净化处理，同时对净化设备的电流、电压进行监测
■ 设备通过4G网络将采集的数据上传至远程云端服务器
5.2 平台主要功能
(1)在线监测
对油烟排污数据的监测，包括油烟排放浓度，颗粒物，NmHc等数值采集监测;同时对监控风机和净化器的启停状态、运行数据进行监测。
(2)告警数据监测
系统根据采集的油烟数值大小，产生对应的排放超标告警;对净化器的运行数据分析，上传净化设备对应的运行、停机、故障等告警事件。
(3)数据分析
运行时长分析，离线分析;告警占比、排名分析;历史数据统计等。
(4)隐患管理
系统对采集的告警数据分析，产生对应的隐患记录，派发、处理隐患，及时处理告警，形成闭环
(5)统计分析
包括时长分析、超标分析、历史数据、分析报告等模块
(6)基础数据维护
个人信息、权限维护，企业信息录入，对应测点信息录入等
(7)数据服务
数据采集，短信提醒，数据存储和解析
5.3油烟监测主机
油烟监控主机是现场的管理设备，实时采集油烟浓度探测器和工况传感器的信号，进行数据处理，通过有线或无线网络通讯将数据传输到服务器平台。同时，对本地数据进行存储，监控现场设备状态，提供人机操作界面。
具体技术参数如下：
< class="pgc-img">< class="pgc-img">5.4 设备选型方案
< class="pgc-img">
注：双探头适合双排烟通道的场合，每路探头监测1路排烟通道。
6 结论
本文设计的监测系统为B/S模式，不需要用户安装额外的软件，只需通过浏览器既可使用。本系统在保证准确性的前提下，增强监测的实时性，解放了不必要的人力，并可提高环保部门对城市环境的综合监控能力，具有显著的社会与经济效益。
【参考文献】
[1]姬红波，朱海飞. 基于“互联网+”餐饮油烟在线监控系统[J].中国环保产业，2016（2）：45-49
[2]张时，王向东，李树江.在线油烟实时监测系统的设计与实现，沈阳工业大学信息科学与工程学院
[3]安科瑞AcrelCloud-3500餐饮油烟监测云平台. 2020.05版
． 选题目的、意义及研究现状：
1.1目的
现代科学技术在快速发展、计算机与全球互连网络相连接，使今天的社会进入了以计算机为核心的社会。计算机的出现给我们诸多方面带来了无限的商机与便利。比如餐饮业，网络就发挥了巨大的作用——网上自助点餐。自助点餐为客户提供的是最方便的饮食方式，以快速，便捷的自助点餐业务，这省去了客户不用排队的时间和麻烦，给商家带来更多利益。同时，自助点餐可以辅助餐饮企业营销。通过信息管理，可以记录餐饮企业方方面面的数据。
1.2意义
在线自助点餐服务发展迅速，随着互联网普及率的提高，以及互联网应用的深入，网上点餐这个课题已经提出，在线点餐饮服务已经陆续在经济发达的一级城市开展，并受到餐饮消费者的欢迎。为了方便人们生活，提高人们的生活效率，本系统根据现实点餐的方式虚拟于网络之上，使人们通过网络就可以完成生活中必要的事情(饮食)。系统的完成不仅可以基本实现客户点餐的功能，还能在此基础上提供更多的、更贴心的服务。信息技术的发展将更快的推动互联网的发展，自助点餐管理系统的重要性也将越显其强大的作用。
1.3国内外研究现状
随着我国在世界范围上的影响越来越大，伴随着5G网络的到来，网络已经逐渐在我们的生活中起到了不可或缺的作用。之前，由于计算机最早诞生于外国，我们国家的起步总的来说是很晚的。
国外很早之前就起用了智能点餐系统，而在国内，却是刚刚起步。只有在我国主流城市，才能看到颇多智能点餐系统的身影。而在一些中小型城市里，这种点餐系统的应用只有在客流量较大的商场区，或是店里较之别处消费额度较大的连锁店才能依稀看到。一种原因是：点餐系统的开发相对的成本还是挺大的，对于一些小店来说根本不可能在还未盈利的前提下在投资额度上另加一笔开销。另一种原因是：之前，我们国人对于计算机这一电子化产品的认识不够，没有过多关注，也没有过度使用。现如今，随着人们生活水平的提高，随着计算机在人们生活中起着举足轻重的地步，随着已完善系统的共享化，投资成本的相对减少，点餐系统较早之前，普及额度有了很大一步的提升。
2.4本课题研究的重点及难点
目前的自助点餐管理系统不仅要简洁美观的布局和页面效果，更要在技术、内容方面成熟,要做到用户操作简单，方便快捷。
本站制作上采用Java、idea、MySQL、spring boot+vue等方面的知识，课题重点是建立一个易于使用、便于用户登录和后端管理的平台。在线电影资源网站一般都具备系统登录、浏览、查询、删除、修改等功能，其中分类管理是系统的重点和难点。还有关于数据表的建立与数据库的链接都是本系统的难点。
主要参考文献（篇数符合学校文件规定，格式符合论文规范规定）
[1] 肖成金，吕冬梅. Java程序开发数据库与框架应用[J].科技展望，2017， 25(05): 19-23.
[2] 毕广吉. Java 程序设计实例教程[M].北京:冶金工业出版社，2018.
[3] 刘平英，赵文秀，葛玲玲,等.点餐APP现状分析及新型点餐APP设计[J].信息技术，2019(4) :41-44.
[4] 郝羽.基于HTML5的点餐平台手机客户端设计[J]. 计算机光盘软件与应用，2020 (22).
[5] Anindya Ghose, Sang Pil Han. An Empirical Analysis of User Content Generation and Usage.Behavior on the Mobile Internet[J]. Management Science， 2019， 57 (9):12-20.
[6] Sarwar B，Karypis G, Konstan J，et al. Item-based collaborative filtering recommendationalgorithms[C]. Internat ional Conference on World Wide Web. ACM， 2018 :285- -295.
[7] 王圣果. 运用信息技术促进中国餐饮业发展[J].江苏商论，2020， 20(9): 22-23.
[8] 廖彬, 张陶, 国冰磊,等. 基于 Spark 的 Itembased 推荐算法性能优化[J]. 计算机应用, 2017, 37(7):1900-1905.
[9] 冯蕴.餐饮自助点菜系统的设计与实现.西南交通大学，硕士学位论文，2017。
[10]娄鹏宇.基于健康饮食的点餐系统的设计与实现[D].西安电子科技大学,2019.
[11]白志青.智能订餐点餐支付系统的设计与实现[J].赤峰学院学报（自然科学版）,2020,33(9):14-15.
[12]刘永楠, 李建中, 王海洁. 数据完整性的评估方法[J]. 计算机研究与发展,2018, 25(10): 230-238.
