一种全局物联网的无人售货系统

1.本发明涉及无人售货技术领域，尤其是一种全局物联网的无人售货系统。


背景技术：

2.无人售货机是一种能根据投入的钱币自动付货的机器。自动售货机是商业自动化的常用设备，它不受时间、地点的限制，能节省人力、方便交易。是一种全新的商业零售形式，又被称为24小时营业的微型超市。常见的自动售卖机共分为四种：饮料自动售货机、食品自动售货机、综合自动售货机、化妆品自动售卖机。而现有的无人售货机一般采用电子支付或现今支付。
3.但是当前无人售货机往往仅完成本地本机的售卖工作，难以实现区域内多售货机之间的信息协调，无法做到对于售货数据信息的效益最大化，无法实现对于区域的数据挖掘，继而难以使数据产生价值。


技术实现要素：

4.为了解决上述问题，本发明提供一种全局物联网的无人售货系统，能够将全部无人售货机终端的数据汇集与决策控制，提高无人售货机的效益。
5.为了实现上述目的，本发明采用的技术方案为：
6.一种全局物联网的无人售货系统，包括无人售货机终端、区域服务器及中央服务器，
7.所述无人售货机终端用于售货机中货物的出售；
8.所述区域服务器用于区域内所述无人售货机终端的数据接收，且所述区域服务器包括区域数据储存模块及区域数据分析模块，所述区域数据储存模块用于所述无人售货机终端的地理位置数据、货物数量数据、消费数据、货物出货和补货数据、检修数据的储存；所述区域数据分析模块用于根据所述区域数据储存模块的数据通过大数据分析获得所述无人售货机终端的运行决策；
9.所述中央服务器所述区域服务器数据的接收及储存，且所述中央服务器包括全局数据储存模块、全局数据分析模块及计算卸载模块，
10.所述全局数据储存模块用于各个区域中所述无人售货机终端的货物出售量数据、热门货物数据及货物出售高峰期数据的储存；所述全局数据分析模块用于根据所述全局数据储存模块的数据并通过大数据分析获得各个区域中所述无人售货机终端货物运输及调度策略；
11.所述计算卸载模块用于在所述区域数据分析模块的计算能力不足时，将该所述区域数据分析模块的任务卸载至所述中央服务器进行计算，且在所述中央服务器计算完毕后将所述无人售货机终端的运行决策发送至所述区域服务器。
12.进一步地，所区域数据储存模块还用于用户数据的存储，所述无人售货机终端设有用于货物选择的触摸屏及人脸识别模块，所述区域数据分析模块用于获取所述人脸识别
模块的数据，且所述区域数据分析模块根据所述区域数据储存模块的用户数据通过在线人脸匹配算法进行匹配，以在对应的用户账号中扣除货物费用；所述无人售货机终端推出对应货物并将向所述区域服务器发送出货数据，以判断交易结果。
13.进一步地，所述人脸识别模块包括图像传感器及景深传感器，所述图像传感器及所述景深传感器将所采集的图像数据进行动态整合，突出最前面一位购物者的头像及虚化背景，并对最前面一位购物者的面部进行特征点检测，以识别出人脸并对该人脸的动态追踪，所述人脸识别模块将获得的人脸数据上传至所述区域服务器。
14.进一步地，所述区域数据分析模块将所述运行决策通过边缘服务器发送至所述无人售货机终端，且各个区域的所述区域服务器构成用户信息区块链。
15.进一步地，所述计算卸载模块根据所述区域服务器本地执行的总成本及所述中央服务器执行的总成本获得卸载决策成本，且根据所述卸载决策成本获得最优的计算卸载策略。
16.进一步地，所述区域服务器本地执行的总成本的计算方式为：
[0017][0018]
其中，为第n个所述区域服务器的第m个计算任务在所述区域服务器本地(2)执行计算的时延；为第n个所述区域服务器的第m个计算任务在所述区域服务器本地(2)执行计算的能耗；
[0019]
所述中央服务器远程执行的总成本的计算方式为：
[0020][0021]
其中，为第n台所述区域服务器将第m个计算任务卸载到所述中央服务器的网络传输时延；第n台所述区域服务器将第m个计算任务卸载到所述中央服务器的网络执行时延；为所述区域服务器接收执行结果的时延；第n个所述区域服务器向所述中央服务器卸载计算任务m时消耗的能量；为所述中央服务器上执行任务m消耗的能量；为所述中央服务器传回至所述区域服务器n消耗的能量；c为所述中央服务器分配给所述区域服务器的 cpu核数；c为所述中央服务器的cpu总核数；μ为每个任务分配到的带宽比例；
[0022]
所述计算卸载模块通过所述区域服务器根据给定的状态空间计算出本地执行的成本及远程执行的成本，并且所述计算卸载模块通过本地执行的成本及远程执行的成本决定执行的位置，以获得出状态空间及动作空间：
[0023]
所述状态空间为：{s＝(m,d,,c,e)∈s|m∈m,d∈d,c∈c}，其中，s为时间间隙t内的状态空间，m为任务数，d为所述区域服务器和所述中央服务器之间的距离，μ为每个任务分配到的带宽比例，c为所述中央服务器分配给所述区域服务器的cpu核数，e为所述区域服务器 n的剩余能量；
[0024]
所述动作空间为x＝{x
mn
∈{0，1}}，通过x
mn
的0或1表示第n个所述区域服务器的第 m个任务是否进行计算任务的卸载；
[0025]
根据所述状态空间及所述动作空间获得卸载决策的成本函数：
[0026]
[0027]
进一步地，最优的计算卸载策略的获得方法为：
[0028]
s1.定义初始化卸载矩阵为n
×
m的全0矩阵；
[0029]
s2.计算步骤s1中所述成本函数f(s,x)0；
[0030]
s3.将步骤s1中卸载矩阵中的其中一个0元素修改为1；
[0031]
s4.计算步骤s3中所述成本函数f(s,x)1；
[0032]
s5.将步骤s2-s4重复n
×
m次，以获得f(s,x)0,f(s,x)1,
…
,f(s,x)m×n；
[0033]
s6.根据f(s,x)0,f(s,x)1,
…
,f(s,x)m×n对应计算获得m
×
n个fr(s)的值，选择最小值 fr(s)
min
，fr(s)
min
对应的卸载矩阵为最优卸载策略x。
[0034]
进一步地，第n个所述区域服务器的第m个计算任务在所述区域服务器本地(2)执行计算的时延：
[0035]
第n个所述区域服务器的第m个计算任务在所述区域服务器本地(2)执行计算的能耗：
[0036][0037]
其中，d
mn
为所执行计算任务的字节数；t
l
为每数据位的本地处理时间；为每数据位的本地能耗；
[0038]
第n台所述区域服务器将第m个计算任务卸载到所述中央服务器的网络传输时延：
[0039][0040]
第n台所述区域服务器将第m个计算任务卸载到所述中央服务器的网络执行时延：
[0041][0042]
所述区域服务器接收执行结果的时延：
[0043]
第n个所述区域服务器向所述中央服务器卸载计算任务m时消耗的能量：
[0044][0045]
所述中央服务器上执行任务m消耗的能量：
[0046]
所述中央服务器传回至所述区域服务器n消耗的能量：
[0047]
其中，d
mn
为所执行计算任务的字节数；rm为第n台所述区域服务器与所述中央服务器之间的传输速率；fc为所述中央服务器的处理速度；dn为计算任务在所述中央服务器上执行完后的字节数；pn为第n台所述区域服务器的发送功率；p为所述中央服务器的发送功率；a 为所述中央服务器的权值；d
mn
为所述中央服务器执行任务m的数据量。
[0048]
进一步地，第n台所述区域服务器与所述中央服务器之间的传输速率计算方法为：
[0049][0050]
其中，b为信道带宽；pn为第n台所述区域服务器的发送功率；h2为第n台所述区域服务器与所述中央服务器之间的信道增益；n0为信道内部的高斯噪音功率；μn为带宽的比例，且满足
[0051]
进一步地，所述区域数据分析模块及所述全局数据分析模块通过在云端建立相应
的云应用，以使所述区域数据分析模块及所述全局数据分析模块能够基于大数据分析的决策实施。
[0052]
本发明的有益效果是：
[0053]
1.本发明设有三层网络架构，中央服务器和区域服务器共同组成的云系统实现了无人售货产业的数字化，区域大数据和中央大数据的聚类分析能够优化无人售货机终端更好的运维决策，形成全局物联网的无人售货系统；由于全部决策的制定和数据的存储均在中央服务器和区域服务器共同组成的云端进行，无人售货机终端仅作为执行终端执行边缘服务器下放的决策，因此安全性得到保障。即使某台或部分无人售货机终端被破坏，依然能够保障全部用户数据的安全。而且在计算卸载模块的作用下，能够在区域服务器进行大数据处理和分析能力不足时，将该部分区域服务器的任务卸载至中央服务器进行，并在中央服务器处理完成后返回至区域服务器，降低无人售货机终端的运行策划计算成本，同时确保无人售货机终端具有高效益。
[0054]
2.全局数据储存模块储存有用户的账户信息、消费记录、面部数据；区域数据储存模块储存有用户数据、在线的人脸匹配算法；人脸检测和人脸匹配算法通过区域数据分析模块及全局数据分析模块进行完成，相较于无人售货机终端具有更强的计算与存储能力，而且保障了用户的数据安全。
附图说明
[0055]
图1是本发明一较佳实施方式的全局物联网的无人售货系统的结构框图。
[0056]
图2是本发明一较佳实施方式的全局物联网的无人售货系统的架构图。
[0057]
图3是本发明一较佳实施方式的全局物联网的无人售货系统的人脸识别流程图。
[0058]
图4是本发明一较佳实施方式的全局物联网的无人售货系统的优化前地理位置示意图。
[0059]
图5是本发明一较佳实施方式的全局物联网的无人售货系统的优化后地理位置示意图。
[0060]
图6是本发明一较佳实施方式的全局物联网的无人售货系统的优化前后能耗对比图。
[0061]
图7是本发明一较佳实施方式的全局物联网的无人售货系统的优化前后补货及检修图。
[0062]
图8是本发明一较佳实施方式的全局物联网的无人售货系统的优化前后安全性对比。
[0063]
图中，1-无人售货机终端，11-触摸屏，12-人脸识别模块，2-区域服务器，21-区域数据储存模块，22-区域数据分析模块，3-中央服务器，31-全局数据储存模块，32-全局数据分析模块，33-计算卸载模块。
具体实施方式
[0064]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
[0065]
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0066]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0067]
请同时参见图1至图8，本发明一较佳实施方式的全局物联网的无人售货系统，包括无人售货机终端1、区域服务器2及中央服务器3。
[0068]
无人售货机终端1用于售货机中货物的出售。
[0069]
区域服务器2用于区域内无人售货机终端1的数据接收，且区域服务器2包括区域数据储存模块21及区域数据分析模块22，区域数据储存模块21用于无人售货机终端1的地理位置数据、货物数量数据、消费数据、货物出货和补货数据、检修数据的储存；区域数据分析模块22用于根据区域数据储存模块21的数据通过大数据分析获得无人售货机终端1的运行决策。
[0070]
中央服务器3区域服务器2数据的接收及储存，且中央服务器3包括全局数据储存模块 31、全局数据分析模块32及计算卸载模块33。
[0071]
全局数据储存模块31用于各个区域中无人售货机终端1的货物出售量数据、热门货物数据及货物出售高峰期数据的储存；全局数据分析模块32用于根据全局数据储存模块31的数据并通过大数据分析获得各个区域中无人售货机终端1货物运输及调度策略；
[0072]
计算卸载模块33用于在区域数据分析模块22的计算能力不足时，将该区域数据分析模块22的任务卸载至中央服务器3进行计算，且在中央服务器3计算完毕后将无人售货机终端 1的运行决策发送至区域服务器2。
[0073]
本实施例设有三层网络架构，中央服务器3和区域服务器2共同组成的云系统实现了无人售货产业的数字化，区域大数据和中央大数据的聚类分析能够优化无人售货机终端1更好的运维决策，形成全局物联网的无人售货系统；由于全部决策的制定和数据的存储均在中央服务器3和区域服务器2共同组成的云端进行，无人售货机终端1仅作为执行终端执行边缘服务器下放的决策，因此安全性得到保障。即使某台或部分无人售货机终端1被破坏，依然能够保障全部用户数据的安全。而且在计算卸载模块33的作用下，能够在区域服务器2进行大数据处理和分析能力不足时，将该部分区域服务器2的任务卸载至中央服务器3进行，并在中央服务器2处理完成后返回至区域服务器3，降低无人售货机终端1的运行策划计算成本，同时确保无人售货机终端1具有高效益。
[0074]
本实施例中，计算卸载模块33根据区域服务器2本地执行的总成本及中央服务器3执行的总成本获得卸载决策成本，且根据卸载决策成本获得最优的计算卸载策略。
[0075]
区域服务器2本地执行的总成本的计算方式为：
[0076]
[0077]
其中，为第n个区域服务器2的第m个计算任务在区域服务器本地(2)执行计算的时延；为第n个区域服务器2的第m个计算任务在区域服务器本地(2)执行计算的能耗；
[0078]
中央服务器3远程执行的总成本的计算方式为：
[0079][0080]
其中，为第n台区域服务器2将第m个计算任务卸载到中央服务器3的网络传输时延；第n台区域服务器2将第m个计算任务卸载到中央服务器3的网络执行时延；为区域服务器2接收执行结果的时延；第n个区域服务器2向中央服务器3卸载计算任务m时消耗的能量；为中央服务器3上执行任务m消耗的能量；为中央服务器3传回至区域服务器2n消耗的能量；c为中央服务器3分配给区域服务器2的cpu核数；c为中央服务器3 的cpu总核数；μ为每个任务分配到的带宽比例。
[0081]
计算卸载模块33通过区域服务器2根据给定的状态空间计算出本地执行的成本及远程执行的成本，并且计算卸载模块33通过本地执行的成本及远程执行的成本决定执行的位置，以获得出状态空间及动作空间。
[0082]
状态空间为：{s＝(m,d,,c,e)∈s|m∈m,d∈d,c∈c}，其中，s为时间间隙t内的状态空间， m为任务数，d为区域服务器2和中央服务器3之间的距离，μ为每个任务分配到的带宽比例， c为中央服务器3分配给区域服务器2的cpu核数，e为区域服务器2n的剩余能量；
[0083]
动作空间为x＝{x
mn
∈{0，1}}，通过x
mn
的0或1表示第n个区域服务器2的第m个任务是否进行计算任务的卸载。其中，0代表卸载，1代表不卸载。
[0084]
根据状态空间及动作空间获得卸载决策的成本函数：
[0085][0086]
第n个区域服务器2的第m个计算任务在区域服务器本地(2)执行计算的时延：
[0087][0088]
第n个区域服务器2的第m个计算任务在区域服务器本地(2)执行计算的能耗：
[0089][0090]
其中，d
mn
为所执行计算任务的字节数；t
l
为每数据位的本地处理时间；为每数据位的本地能耗。
[0091]
第n台区域服务器2将第m个计算任务卸载到中央服务器3的网络传输时延：
[0092][0093]
第n台区域服务器2将第m个计算任务卸载到中央服务器3的网络执行时延：
[0094][0095]
区域服务器2接收执行结果的时延：
[0096]
第n个区域服务器2向中央服务器3卸载计算任务m时消耗的能量：
[0097]
[0098]
中央服务器3上执行任务m消耗的能量：
[0099]
中央服务器3传回至区域服务器2n消耗的能量：
[0100]
其中，d
mn
为所执行计算任务的字节数；rm为第n台区域服务器2与中央服务器3之间的传输速率；fc为中央服务器3的处理速度；dn为计算任务在中央服务器3上执行完后的字节数；pn为第n台区域服务器2的发送功率；p为中央服务器3的发送功率；a为中央服务器 3的权值；d
mn
为中央服务器3执行任务m的数据量。
[0101]
本实施例中，第n台区域服务器2与中央服务器3之间的传输速率计算方法为：
[0102][0103]
其中，b为信道带宽；pn为第n台区域服务器2的发送功率；h2为第n台区域服务器2 与中央服务器3之间的信道增益；n0为信道内部的高斯噪音功率；μn为带宽的比例，且满足
[0104]
最优的计算卸载策略的获得方法为：
[0105]
s1.定义初始化卸载矩阵为n
×
m的全0矩阵；
[0106]
s2.计算步骤s1中成本函数f(s,x)0；
[0107]
s3.将步骤s1中卸载矩阵中的其中一个0元素修改为1；
[0108]
s4.计算步骤s3中成本函数f(s,x)1；
[0109]
s5.将步骤s2-s4重复n
×
m次，以获得f(s,x)0,f(s,x)1,
…
,f(s,x)m×n；
[0110]
s6.根据f(s,x)0,f(s,x)1,
…
,f(s,x)m×n对应计算获得m
×
n个fr(s)的值，选择最小值 fr(s)
min
，fr(s)
min
对应的卸载矩阵为最优卸载策略x。
[0111]
如图3所示，本实施例中，区域数据储存模块21还用于用户数据的存储，无人售货机终端1设有用于货物选择的触摸屏11及人脸识别模块12，区域数据分析模块22用于获取人脸识别模块12的数据，且区域数据分析模块22根据区域数据储存模块21的用户数据通过在线人脸匹配算法进行匹配，以在对应的用户账号中扣除货物费用；无人售货机终端1推出对应货物并将向区域服务器2发送出货数据，以判断交易结果。
[0112]
人脸识别模块12包括图像传感器及景深传感器，图像传感器及景深传感器将所采集的图像数据进行动态整合，突出最前面一位购物者的头像及虚化背景，并对最前面一位购物者的面部进行特征点检测，以识别出人脸并对该人脸的动态追踪，人脸识别模块12将获得的人脸数据上传至区域服务器2。
[0113]
本实施例中，全局数据储存模块31储存有用户的账户信息、消费记录、面部数据；区域数据储存模块21储存有用户数据、在线的人脸匹配算法；人脸检测和人脸匹配算法通过区域数据分析模块22及全局数据分析模块32进行完成，相较于无人售货机终端具有更强的计算与存储能力，而且保障了用户的数据安全。
[0114]
本实施例的无人售货机终端1采用运行安卓8.1的rk-3399的arm架构集成芯片作为主要控制端，外围电路至少包含触摸屏11、人脸识别模块12及串口通讯模块。其中人脸识别模块集成了图像传感器和景深传感器。
[0115]
人脸检测与人脸匹配的流程为：图像传感器和景深传感器的采样频率为每秒30帧，通过图像传感器和景深传感器所采集到的图像数据进行动态整合，完成对于最前面一
位购物者头像的突出和背景的虚化，继而对购物者面部进行特征点检测，识别出人脸并实现对于人脸的动态追踪，继而完成人脸检测过程。然后将锁定追踪的人脸检测数据上传至区域服务器2，区域数据分析模块22通过与全局数据储存模块31中用户数据的动态对比完成用户身份的识别，继而完成人脸匹配过程。
[0116]
本实施例中，区域数据分析模块22将运行决策通过边缘服务器发送至无人售货机终端1，且各个区域的区域服务器2构成用户信息区块链。
[0117]
本实施例中，区域数据分析模块22及全局数据分析模块32通过在云端建立相应的云应用，以使区域数据分析模块22及全局数据分析模块32能够基于大数据分析的决策实施。
[0118]
本实施例中，全局数据储存模块31为全体区域服务器2提供关键数据的备份，其中关键数据主要为用户数据，包括用户的账户信息、消费记录、面部数据等。
[0119]
全局数据分析模块32以区域为单位，对于区域出货量、热门商品、出货高峰期等大数据的聚类分析工作，指导区域性的货物运输和调度。
[0120]
区域数据分析模块21用于在线的人脸匹配算法以及相应的数据存储服务。其中，数据存储服务包括用户数据、消费数据、出货/补货数据、检修数据等全部数据。
[0121]
区域数据分析模块22承担了本区域所收集数据的大数据分析工作，并通过数据分析结果指导本区域内无人售货机的地理位置优化、智能休眠优化、补货策略优化、检修路线优化等智能化决策制定，且该智能化决策依据不同无人售货机的状态而单独制定，全部决策由边缘服务器依据大数据分析结果而作出并下发给无人售货机执行。另一方面，全部区域服务器形成用户信息区块链，彼此共享全局全部用户数据，以确保用户数据的绝对安全和正确
[0122]
无人售货机终端1的数据主要包括：实时的功耗数据、实时的储货量数据、实时的采购数据、实时的用户注册数据、实时的用户认证请求、实时的设备故障数据、实时的缺货警报数据、实时的用户购买失败数据、实时的用户货物选择数据。
[0123]
上述数据的采集均以分钟为单位，即每日24小时，每台无人售货机所上传数据的频数为 1440次。
[0124]
结合云端存储的用户信息数据，通过大数据的聚类分析方法，分别以用户的年龄、性别、设备的地理位置、时间段等为标签，利用k-means聚类算法进行聚类，并通过聚类结果进行分析，继而设计相应的云应用。
[0125]
为了表现本实施例的优点，在某占地约270亩的中学校园内初步设置了10处传统无人售货机，并运行30天，作为对比例。采用本实施例的全局物联网的无人售货系运行30天后，依据区域服务器的大数据分析结果对该10处无人售货机终端1进行优化，作为实验例。
[0126]
对于地理位置：
[0127]
图4为对比例中，地理位置优化前的传统无人售货机摆放示意图，图5为实验例中，地理位置优化后的无人售货机终端1摆放示意图。在确保优化后校园活动基本不变的情况下运行30天后，与优化前30天的销售额相比，提升了34.12％。
[0128]
对于待机策略：
[0129]
如图6所示，横轴为时间，纵轴为累计能耗，可以看出实验例的全局物联网的无人售货系统，所消耗的能量相较与对比例的传统无人售货机，能量消耗节省了50％左右。
[0130]
对于补货及检修决策：
[0131]
本实施例的的补货时间、货物种类、检修时间、被检设备四项内容，均依据系统数据分析结果而定，而对比例的传统无人售货机则为每日巡回补货和检修。如图7所示，为实验例与对比例的补货及检修对比，由此可见本实施例能够大大节省了人力成本。
[0132]
对于安全性：
[0133]
实验例中，全部决策的制定和数据的存储均在中央服务器3和区域服务器2共同组成的云端进行，无人售货机终端1仅作为执行终端执行边缘服务器下放的决策，较传统的无人售货机具有更高的安全性。如图8所示，为实验例与对比例的安全性对比。
[0134]
在本实施例中，本实施例在某占地约270亩的中学校园内，以年龄、性别、地理区域为标签设计的云应用。
[0135]
年龄：以不同年龄的用户为依据，通过购买物品类型的k-means聚类，得出如下结论：以年龄划分为初中部和高中部两个部分，初中部同学的物品采购总量高于高中部，高中部采购物品的平均单价高于初中部，初中部同学的采购商品最多为牛奶，高中部最多则是干吃面。
[0136]
性别：通过k-means聚类，男同学采购最多的为零食类产品，女同学采购最多的是饮料。
[0137]
地理位置：聚类的出不同地理位置上，对于不同商品的销售量，同时结合年龄和性别的分析结果，得出不同年龄和不同性别的学生分别在哪些地理区域活动较多，继而设计出“商品部署指导”的云应用，指导补货员安排不同商品的投放位置，比如在初中部女生活动区域较多的地方多部署牛奶和相关奶制品的饮料。