随着现代信息技术的发展以及科学家们对数学模型的不断优化,信息化管理被逐渐应用到餐饮行业中,传统的餐饮行业管理模式正在逐渐地向信息化、自动化管理模式发展。餐饮行业中多年的数据积累没有得到充分的利用,造成了数据浪费,同时也给现在的研究提供了数据来源。虽然餐饮行业的现代化管理已经日趋成熟,但也由于大量的菜品积压,导致菜品腐烂浪费,从而降低利润,或者菜品供应不足,无法满足消费者需求,从而导致营业额下降,顾客满意度下降。因此,对餐厅的日常菜品的销量进行较为精准的预测将会解决上述问题,从而增加餐厅竞争力。笔者通过对国内的餐饮业使用的自动化管理系统进行研究发现,目前的餐饮业相关的管理系统只有简单的进销存管理,而未涉及到菜品的销量预测,无法根据现有的信息资源预测菜品的销售量。由于菜品销售量变化趋势是不确定的复杂模型,建立与其相关的预测模型很不容易,目前建立的预测模型大部分应用到一些比较长期的观测活动,即使用到短期的预测活动上,各个具体的模型建立都有很大的差别。笔者受到其他行业相关预测模型的启发,分别通过对影响因素的划分与分类,预测模型的建立与算法的优化来检验模型可行性以及提高预测精度。神经网络因具有良好的非线性拟合能力,已经广泛应用于各个领域。多而全面的预测训练数据是神经网络的预测基础。在餐饮行业中,通过从前的销售记录和相关的数据来获得大量的有效的数据资源。但是,因为影响因素多而复杂,并且这些因素之间还有一定的联系,所以对于一些不满足多而全面的数据资料,就不能用神经网络进行预测。现今在其他行业比较受欢迎的预测算法是BP神经网络,而相对于BP神经网络,极限学习机在运行速度上有很大优势,而且误差相对更小。目前,研究数据不足的问题,比较好的方法是灰色系统。以往餐饮菜品销量研究分类粗糙老化,预测准度不够,预测方法单一,最好的预测误差也在±20%,达不到企业的预期效果,本文的基础是实验预测数据,以预测数据之间的关系为主要研究线索,通过对从前的实验数据的更详细的处理,研究每一种因素的因素水平高低和影响效果,通过BP神经网络、极限学习机以及灰色系统对餐饮业菜品销售量进行预测研究,目的是为了完成餐饮企业各样菜品短期销量预测。本文通过对菜品销量的各种预测模型进行建立与对比,旨在建立一种适合餐饮行业菜品预测的精度较高的预测模型,实现餐饮企业各样菜品短期销量预测,并最大限度减小预测误差,从而真正应用并实施到餐饮行业中,减少库存量,节约经营成本,从而增加企业的竞争力。