© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
杭州祐全科技发展有限公司
企业杭州祐全科技发展有限公司成立于2017年，位于浙江省。所属行业为科技推广和应用服务业。经营范围包括技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；信息技术咨询服务；广告制作；会议及展览服务。
小微企业高新技术企业科技型中小企业专精特新创新型中小企业
数据集列表
主食类菜品预订偏好数据
主食类菜品预订偏好数据对于餐饮企业及其供应链管理至关重要。首先，这些数据使企业能够识别顾客对各类主食（如米饭、面食、杂粮等）的偏好，从而优化主食菜单设置，满足市场需求，提升顾客满意度。其次，通过分析预订率及其变化，企业能够预测主食食材的需求量，进而调整采购计划，减少库存积压和浪费，提高库存管理效率。此外，预订偏好数据还能为营销活动提供依据，比如通过推广高预订率的主食菜品来增加销量，或通过特价优惠来提升低预订率主食菜品的吸引力。1.数据抽取和预处理：（1）从公司众食光平台的订单系统抽取主食类菜品的预订数据，包括菜品名称、菜品代号、预订单号、预订日期、预订时间、预订数量。（2）通过数据清洗去除无效或错误记录，确保数据质量。
2.计算本菜品近30日及近30-60日间的预订率：（1）基于历史数据，利用SUM函数计算所有主食类菜品近30日及近30-60日间的预订总数量。（2）使用SUMIFS函数计算本菜品近30日及近30-60日间的预订总数量。（3）本菜品近30日预订率=本菜品近30日预订总数量/所有主食类菜品近30日预订总数量×100%；本菜品近30-60日间的预订率=本菜品近30-60日间的预订总数量/所有主食类菜品近30-60日间的预订总数量×100%。
3.输出近30日预订率排前三的主食类菜品：使用数据透视表对历史积累的预订率数据进行汇总和排序，使用RANK函数筛选出预订率最高的前三名菜品并进行可视化输出。
4.计算本菜品预订率变化值：本菜品预订率变化值=本菜品近30日预订率-本菜品近30-60日间的预订率。
6.本菜品预订偏好趋势判断：若变化值＞0，则为“偏好提升”，若变化值＜0，则为“偏好下降”，若变化值＝0，则为“偏好不变”。
浙江省数据知识产权登记平台2025-05-02 更新160
杭州滨江龙湖天街商圈智慧屏广告投放效果评价数据
本登记所述智慧屏是指商业机构在城市公共区域安装的交互式数字屏幕，用于展示信息、广告和娱乐内容，同时支持与消费者的互动。本数据为杭州滨江龙湖天街商圈的运营管理者和商圈内的品牌商家提供了衡量智慧屏内广告表现和顾客互动的重要工具，这些数据能够揭示智慧屏投放的不同广告内容的投放效果，从而帮助运营管理者和品牌商家评估广告活动的成功程度并优化广告内容，同时品牌商家也可根据评价数据及时调整产品与服务的市场策略，提升品牌形象，满足顾客期望。1.数据抽取和预处理：（1）从公司投放至杭州滨江龙湖天街商圈的智慧屏日志记录中，提取智慧屏上广告投放情况数据，包括智慧屏编号、广告编号、投放周期、广告类型、该广告投放周期内展示时长、该广告投放周期内浏览时长。（2）对抽取的数据进行清洗，去除重复、错误或无关的信息。
2.计算该广告在投放周期内的互动率：该广告投放周期内互动率=该广告投放周期内浏览时长/该广告投放周期内展示时长。
3.计算投放周期内所有广告的总体互动率：（1）利用SUMIFS函数，基于历史数据，在该广告对应的投放周期内，对所有广告的展示时长和浏览时长进行统计。（2）投放周期内所有广告的总体互动率=投放周期内该智慧屏所有广告的浏览时长/投放周期内该智慧屏所有广告的展示时长。
4.计算P值：P值=（该广告投放周期内互动率-投放周期内该智慧屏所有广告的互动率）/该广告投放周期内互动率；根据P值的计算结果可以了解单个广告的互动率与智慧屏平均水平的偏离程度。
5.基于P值的广告投放效果判定：P值< 0，则“广告投放效果差”，0≤P值≤0.2，则“广告投放效果一般”，P值＞0.2，则“广告投放效果好”。
浙江省数据知识产权登记平台2025-01-03 更新180
温州苍南银泰城商圈智慧屏使用时段分布数据
本登记所述智慧屏是指商业机构在城市公共区域安装的交互式数字屏幕，用于展示信息、广告和娱乐内容，同时支持与消费者的互动。首先，对于温州苍南银泰城商圈的管理者而言，根据智慧屏在一天中不同时间段的使用次数分布，可一定程度上反映出商圈顾客的出行规律，商圈管理者可以有针对性地安排广告和信息发布，以提升信息传播的效率和受众的参与度，从而提高内容投放的投资回报率。其次，本数据还能为商圈内的商家提供宝贵的市场情报，使他们能够根据智慧屏在一天中不同时间段的使用次数调整营业策略。1.数据抽取和预处理：（1）从公司投放至温州苍南银泰城商圈的智慧屏的日志记录中，实时提取反映智慧屏使用记录数据，包括日期、智慧屏编号、使用行为序列号、使用行为内容、使用起始时间。（2）对抽取的数据进行清洗，去除重复、错误或无关的信息。
2.定义时间段：从0:00开始，到24:00为止，以1小时为间隔，一共划分为24个时间段。
3.对每日实时发生的使用行为的起始时间进行归类和计数统计：运用Python中的Pandas库的resample方法，对每日实时发生的使用行为的起始时间进行重采样和分组统计，具体过程为：①将每日实时发生的使用行为的起始时间转换为Pandas的Datetime格式；②创建一个DataFrame，将起始时间数据组织成表格形式；③设置时间为索引；④使用resample方法按小时重采样，输出起始时间的所在时段，并计数每个时间段的事件数，输出本日使用行为起始时间分布情况。
浙江省数据知识产权登记平台2025-01-03 更新90
容器类型图像识别AI训练数据
本数据的价值在于其为构建精准、高效的容器类型识别AI模型提供了丰富且具针对性的信息基础。这些数据覆盖了各种容器的图像特征，包括容器的形状、大小、材质等，使AI模型能够深入学习并掌握这些特征与容器类型的关联。通过利用这些数据进行训练，AI模型能够更加准确地识别和分类不同的容器类型，进而在自助点餐系统、库存管理等实际应用中提供快速、自动化的容器类型识别服务。这一训练过程的核心价值在于提升AI模型的识别精确度和适应能力，确保其在面对现实仓储和生产环境中的复杂多变情况时，能够做出更加符合物流效率和安全管理需求的决策。1.数据采集：原始图像数据来源于自行拍摄或算法生成，确保数据来源多样化和合法性，并对原始图像的ID、文件路径进行记录。
2.数据预处理与标注：根据自身项目需求和模型要求，将容器类型图像数据分类成训练集和测试集，并对训练集进行标注，形成边界框坐标及对应的标签。
3.模型选择与初始化：选择NanoDet预训练模型，并初始化模型参数，设置合理的超参数，如学习率、批量大小、冗余度等，以优化模型的训练过程。
4.模型训练：使用TensorFlow深度学习框架加载和初始化模型，然后将准备好的训练集输入到模型中进行训练。在训练过程中，模型会不断调整权重，以最小化预测框与真实框之间的差值，从而提高检测的准确性，训练通常需要多个epoch（迭代次数）。
5.模型评估：在训练完成后，使用测试集对模型进行评估。计算模型在不同场景下的精度、召回率、F1分数等性能指标，确保模型的准确性和鲁棒性。
6.模型部署与实时性能评估：将最终训练、测试后得到的模型应用到具体的项目中。在实际应用中，评估模型的实时性能（即准确率），确保满足项目需求。
浙江省数据知识产权登记平台2024-12-30 更新210
餐盘颜色图像识别AI训练数据
本数据的价值在于其为构建精准、高效的餐盘颜色识别AI模型提供了丰富且具针对性的信息基础。这些数据覆盖了各种餐盘的颜色特征，包括红色、绿色、黄色等，使AI模型能够深入学习并掌握这些颜色特征与餐盘种类的关联。通过利用这些数据进行训练，AI模型能够更加准确地识别和分类不同的餐盘颜色，进而在自助点餐系统、餐盘清洁与消毒跟踪等实际应用中提供快速、自动化的餐盘颜色识别服务。这一训练过程的核心价值在于提升AI模型的识别精确度和适应能力，确保其在面对现实餐饮环境中的复杂多变情况时，能够做出更加符合餐饮服务效率和食品安全管理需求的决策。1.数据采集：原始图像数据来源于自行拍摄或算法生成，确保数据来源多样化和合法性，并对原始图像的ID、文件路径进行记录。
2.数据预处理与标注：根据自身项目需求和模型要求，将餐盘颜色图像数据分类成训练集和测试集，并对训练集进行标注，形成边界框坐标及对应的标签。
3.模型选择与初始化：选择NanoDet预训练模型，并初始化模型参数，设置合理的超参数，如学习率、批量大小、冗余度等，以优化模型的训练过程。
4.模型训练：使用TensorFlow深度学习框架加载和初始化模型，然后将准备好的训练集输入到模型中进行训练。在训练过程中，模型会不断调整权重，以最小化预测框与真实框之间的差值，从而提高检测的准确性，训练通常需要多个epoch（迭代次数）。
5.模型评估：在训练完成后，使用测试集对模型进行评估。计算模型在不同场景下的精度、召回率、F1分数等性能指标，确保模型的准确性和鲁棒性。
6.模型部署与实时性能评估：将最终训练、测试后得到的模型应用到具体的项目中。在实际应用中，评估模型的实时性能（即准确率），确保满足项目需求。
浙江省数据知识产权登记平台2024-12-30 更新1170
商圈/街区智慧屏自助服务功能使用强度数据
本登记所述智慧屏是指商业机构在城市公共区域安装的交互式数字屏幕，用于展示信息、广告和娱乐内容，同时支持与消费者的互动。首先，功能使用强度数据是一个创新的量化工具，可反映商圈/街区消费者与智慧屏自助服务功能的交互程度，通过对本数据的长期跟踪，公司既可以评估自助服务功能的设置效果，又可以进一步对功能的未来使用趋势进行预测，为智慧屏的自助服务功能的后续改进提供辅助依据。其次，对其他类似用途的智慧屏的开发和生产厂商来说，本数据可以帮助他们客观准确地了解智慧屏的自助服务功能的受欢迎程度、用户依赖程度和普及度，为他们在智慧屏产品中设置或改进自助服务功能提供决策依据，推动行业发展。1.数据采集和预处理：（1）从公司投放的商圈/街区智慧屏的日志记录中采集自助服务功能的使用情况数据，包括采集日期、是否为工作日、采集时间、功能名称、当日使用频次、当日使用总时长、当日所有功能的使用频次；（2）对采集的数据进行清洗，去除重复、错误或无关的信息，以便后续的加工和建模。
2.建立自助服务功能的使用强度计算模型：（1）计算功能当日使用率：功能当日使用率=当日使用频次÷当日所有功能的使用频次×100%；（2）计算当日平均使用时长：当日平均使用时长=当日使用总时长÷当日使用频次：（3）引入时间加权因子，以反映工作日和非工作日的差异：如果当天是工作日，则因子为1.2，反之则因子为0.8；（4）计算功能当日加权使用率和当日加权平均使用时长：功能当日加权使用率=功能当日使用率×时间加权因子，当日加权平均使用时长=当日平均使用时长×时间加权因子；（5）基于主成分分析法（PCA）建立功能使用强度计算模型：功能使用强度=功能当日加权使用率×x+当日加权平均使用时长×y，且x+y=1；每个指标在主成分中的权重，结合其重要性并结合行业经验确定。
浙江省数据知识产权登记平台2025-01-29 更新80
杭州胜利河美食街街区智慧屏使用情况预测数据
本登记所述智慧屏是指商业机构在城市公共区域安装的交互式数字屏幕，用于展示信息、广告和娱乐内容，同时支持与消费者的互动。本数据能为杭州胜利河美食街街区内的相关方，包括街区运营管理方、品牌商家与服务提供方、商业投资者等，提供了宝贵的商业洞察。首先，通过对智慧屏使用热度的预测，街区运营管理人员能够前瞻性地优化智慧屏内投放的内容，旨在提升未来的用户参与度和互动质量。其次，这些预测数据揭示了消费者未来可能的偏好和行为趋势，有助于品牌商家与服务提供方提前调整和优化其服务和产品，更好地迎合消费者的需求和期望，从而增强顾客体验和提升顾客满意度。此外，预测智慧屏的使用热度数据能够揭示特定时段内街区人流的集中趋势，可以帮助街区管理者预见人流高峰，从而提前规划和实施人流疏导措施，确保顾客安全的同时，提升街区的整体运营效率。1.数据抽取和预处理：
（1）从公司投放至杭州胜利河美食街街区的智慧屏的日志记录中，提取反映智慧屏使用情况的数据，包括日期、是否为工作日、数据采集时间、智慧屏编号、当日使用次数A、当日使用总时长B、当日功能总访问量C、当日高峰期（使用次数最多的1小时）使用次数D。（2）对采集的数据进行清洗，去除重复、错误或无关的信息。
2.建立智慧屏使用热度计算模型：
（1）引入时间加权因子q，若当天是工作日，q为1.2，反之为0.8。（2）计算当日加权功能总访问量Cq和当日加权高峰期使用次数Dq：Cq=C*q；Dq=D*q。（3）建立使用热度W计算模型：W=A*0.2+B*0.3+Cq*0.3+Dq*0.2；权重系数依据每个指标的重要性并结合行业经验确定。
3.建立智慧屏使用热度预测模型：
（1）使用rolling函数统计过去30日和90日的总使用热度，在此基础上分别除以30和90，计算过去30日和90日的日均使用热度Wa、Wb；（2）基于Wa和Wb进行预测：未来7天使用热度预测值=Wa×7，为短期预测；未来30天使用热度预测值=Wb×30，为中期预测。
浙江省数据知识产权登记平台2025-01-03 更新60
温州苍南渔寮景区阳光街区智慧屏使用高峰时段识别数据
本登记所述智慧屏是指商业机构在城市公共区域安装的交互式数字屏幕，用于展示信息、广告和娱乐内容，同时支持与消费者的互动。首先，本数据能为温州苍南渔寮景区阳光街区的管理者识别一天中顾客与智慧屏互动最为频繁的时段，从而更精准地安排内容展示和信息发布。其次，本数据还能为街区内的商家提供宝贵的市场情报，使他们能够根据顾客的实际行为模式调整营业策略。此外，智慧屏使用高峰时段的识别有助于街区在人流管理和资源配置上做出更合理的规划，确保在顾客使用智慧屏较为集中的时段有足够的服务人员和安全措施，以维护街区的秩序和顾客的体验质量。1.数据抽取和清洗：（1）从公司投放至苍南渔寮景区阳光街区的智慧屏的日志记录中，实时提取反映智慧屏使用记录数据，包括日期、智慧屏编号、使用行为序列号、使用行为内容、使用起始时间，对抽取的数据进行清洗。
2.定义时间段：从0:00至24:00，以1小时为间隔，一共划分为24个时间段。
3.对每日实时发生的使用行为的起始时间进行归类和计数统计：运用Python中Pandas库的resample法，对每日实时发生的使用行为的起始时间进行重采样和分组统计，具体过程为：①将每日实时发生的使用行为的起始时间转换为Pandas的Datetime格式；②创建一个DataFrame，将起始时间数据组织成表格形式；③设置时间为索引；④使用resample法按小时重采样，输出起始时间所在时段，并计数每个时间段的事件数，输出本日使用行为起始时间分布情况。
4.高峰时段识别：基于本日使用行为起始时间分布情况，使用matplotlib库绘制时间-频次曲线图；利用基于尖锐度的自动识别方法，计算曲线图中各数据点的尖锐度，识别出上午6:00-12:00、下午12:00-18:00和晚上18:00-24:00的高峰时段。
浙江省数据知识产权登记平台2025-01-03 更新70
餐具形状图像识别AI训练数据
本数据的价值在于其为构建精准、高效的餐具形状识别AI模型提供了丰富且具针对性的信息基础。这些数据覆盖了各种餐具的形状特征，包括叉子、勺子、刀子等不同餐具的轮廓和结构，使AI模型能够深入学习并掌握这些形状特征与餐具类型的关联。通过利用这些数据进行训练，AI模型能够更加准确地识别和分类不同的餐具形状，进而在自助点餐系统、餐具自动分拣、餐具使用监控、餐具清洁与消毒跟踪等实际应用中提供快速、自动化的餐具形状识别服务。这一训练过程的核心价值在于提升AI模型的识别精确度和适应能力，确保其在面对现实餐饮环境中的复杂多变情况时，能够做出更加符合餐饮服务效率和食品安全管理需求的决策。1.数据采集：原始图像数据来源于自行拍摄或算法生成，确保数据来源多样化和合法性，并对原始图像的ID、文件路径进行记录。
2.数据预处理与标注：根据自身项目需求和模型要求，将餐具形状图像数据分类成训练集和测试集，并对训练集进行标注，形成边界框坐标及对应的标签。
3.模型选择与初始化：选择NanoDet预训练模型，并初始化模型参数，设置合理的超参数，如学习率、批量大小、冗余度等，以优化模型的训练过程。
4.模型训练：使用TensorFlow深度学习框架加载和初始化模型，然后将准备好的训练集输入到模型中进行训练。在训练过程中，模型会不断调整权重，以最小化预测框与真实框之间的差值，从而提高检测的准确性，训练通常需要多个epoch（迭代次数）。
5.模型评估：在训练完成后，使用测试集对模型进行评估。计算模型在不同场景下的精度、召回率、F1分数等性能指标，确保模型的准确性和鲁棒性。
6.模型部署与实时性能评估：将最终训练、测试后得到的模型应用到具体的项目中。在实际应用中，评估模型的实时性能（即准确率），确保满足项目需求。
浙江省数据知识产权登记平台2024-12-30 更新1400
菜品图像识别AI训练数据
本数据的价值在于其为构建精准、高效的菜品识别AI模型提供了丰富且具针对性的信息基础。这些数据覆盖了各种菜品的图像特征，包括菜品的色泽、形状、纹理等视觉信息，使AI模型能够深入学习并掌握这些因素与菜品种类的关联。通过利用这些数据进行训练，AI模型能够更加准确地识别和分类不同的菜品，进而在自助点餐系统等实际应用中提供快速、自动化的菜品识别服务。这一训练过程的核心价值在于提升AI模型的识别精确度和适应能力，确保其在面对现实餐饮环境中的复杂多变情况时，能够做出更加符合餐饮服务和食品安全管理需求的决策。1.数据采集：原始图像数据来源于自行拍摄或算法生成，确保数据来源多样化和合法性，并对原始图像的ID、文件路径进行记录。
2.数据预处理与标注：根据自身项目需求和模型要求，将菜品图像数据分类成训练集和测试集，并对训练集进行标注，形成边界框坐标及对应的标签。
3.模型选择与初始化：选择NanoDet预训练模型，并初始化模型参数，设置合理的超参数，如学习率、批量大小、冗余度等，以优化模型的训练过程。
4.模型训练：使用TensorFlow深度学习框架加载和初始化模型，然后将准备好的训练集输入到模型中进行训练。在训练过程中，模型会不断调整权重，以最小化预测框与真实框之间的差值，从而提高检测的准确性，训练通常需要多个epoch（迭代次数）。
5.模型评估：在训练完成后，使用测试集对模型进行评估。计算模型在不同场景下的精度、召回率、F1分数等性能指标，确保模型的准确性和鲁棒性。
6.模型部署与实时性能评估：将最终训练、测试后得到的模型应用到具体的项目中。在实际应用中，评估模型的实时性能（即准确率），确保满足项目需求。
浙江省数据知识产权登记平台2024-12-30 更新1380