随着网络云计算时代的到来,“无人售货”越来越受到关注,智能售货柜作为无人零售终端的代表,在实际运维中,存在缺乏终端健康监测、维护滞后性和低效性、商品更新上货随意性大、单台智能售货柜运维成本高等问题。本课题依托企业实际需求,针对上述问题,研究了智能售货终端运行过程监测维护和商品更新智能推荐维护的关键技术,并在Hadoop分布式存储计算生态上得到应用。本文完成的研究工作主要有以下几个方面:(1)针对智能售货机柜体维护,设计Nagios监测系统实现终端运行日志数据源的采集和存储;采用一种主元建模方法对监测数据进行分析,在残差空间和主元空间提取SPE(Squared Prediction Error)、T~2(Hotelling’s统计量)、混合指标作为过程监测健康评价指标,并采用控制限和变量贡献量的方法完成智能售货柜终端过程监测和异常分离。(2)针对智能售货柜商品更新推荐决策维护,利用矩阵分解的交替最小二乘(Alternating Least Squares,ALS)隐式反馈算法进行智能推荐,分析用户评价矩阵存在的兴趣偏差,通过价值隶属模型对商品进行价值度量,修正用户评价矩阵信任度,实现ALS推荐模型的优化。(3)设计并搭建大数据处理Hadoop生态计算框架,使用终端真实数据源,对监测、推荐算法模型进行编程实现和实验验证。在终端过程监测实验中实现了终端健康监测和异常分离;在商品上货推荐决策中对ALS输入参数进行了离线调优,通过实验验证了ALS优化推荐模型的有效性,实验结果表明推荐效果优于人为推荐。(4)设计并搭建了智能售货柜远程维护生态系统,并在该生态框架基础上开发Web应用服务,实现了维护任务管理,计算数据可视化,维护信息邮件同步,计算资源管理等功能,完成了远程维护关键技术的应用。本文关键技术的应用基于HDFS-Spark分布式存储计算框架,完成了关键技术核心算法的实现和部署,设计开发了智能售货柜远程维护应用服务,实现了从物理层到应用层的全生态设计和搭建,解决了智能售货柜远程维护中的部分问题。