随着大数据时代的来临,人们开始意识到餐饮业的数据积累没有得到充分的利用。就高校而言,教育大数据、教育数据挖掘日渐受到重视,食堂窗口校园一卡通刷卡数据作为教育大数据的重要组成部分开始受到广泛分析、挖掘与利用。如今食物浪费已经成为全世界普遍的问题之一,为了避免高校食堂出现严重的食物浪费问题,响应习近平总书记提出的“光盘行动”号召,利用高校食堂各窗口校园一卡通刷卡数据建立精准的窗口销量预测模型显得十分重要,现有的销量预测多为食堂工作人员按照经验提出,准确率较差且多为长期预测,本文旨在利用食堂窗口刷卡历史数据建立精准的短期预测模型,为窗口的原材料准备、营销活动开展等提供大数据服务与支撑。高校食堂作为在校大学生和教职工的主要用餐地点,虽然各项管理制度一定程度上比校外餐饮业更为完善,但由于管理制度多为相关人员按照经验制定,仍然存在一些问题。例如食物浪费问题与菜品供应不足问题,前者不但造成浪费而且会降低食堂窗口利润,后者则是有可能影响学生用餐体验,导致该窗口学生满意度下降。若能充分利用高校食堂窗口的学生一卡通消费数据,运用统计学方法和数据分析挖掘技术,建立一个精准的窗口销量预测模型,则可以有效避免上述两大问题,充分提高食堂窗口学生满意度。本文作者采集了华中师范大学各食堂若干窗口校园一卡通刷卡每日总量数据作为该窗口的销量时间序列数据,首先对各样本数据进行描述性统计和可视化分析,得知不同窗口来源的样本数据具备不同的特点。另外由于本文主要研究短期预测,时序数据的时间段的不同也会导致样本数据的特征不同。第二步针对原始数据进行了滑动切分,得到了样本时序数据。第三步在所有样本数据上采用了基于时间序列分析的季节性差分自回归滑动平均模型SARIMA以及基于机器学习的Xgboost回归模型进行建模预测,发现不同算法模型在上述不同特征样本数据下的效果不同,即不同算法模型适合预测不同特征的样本数据。基础预测模型仍有较大提升空间,且不具备良好的可扩展性和可迭代提升性。因此本文提出了对样本时间序列数据先提取统计特征,后构建分类模型,再根据分类结果下发至不同基础预测模型的食堂窗口销量预测双层模型,有效地提高了预测准确率。基于本次实验建立得到的销量预测双层模型具有较高的预测准确率,较好地解决了后勤中心一直以来在食堂窗口销量预测上的难题,能有效地为食堂的经营活动提供指导。另外该模型具备自动学习时序数据特征并自动选择基础预测模型的能力,能更好地面对大体量、多特征的时间序列预测问题,能很好地推广到其他场景下的时间序列预测任务,如金融序列预测、旅游流量预测等。