时尚行业的流行趋势分析技术的概况

曾杰，周晋，陈雨*

（1.四川大学电子信息学院智能控制研究所，四川 成都 610065;2.四川大学制革清洁技术国家工程实验室，四川 成都 610065）

引言

时尚是不断变化的，一个新的款式引入市场后被越来越多的消费者接受，等到了成熟阶段之后却不再被时尚界所接受，这个过程被称为一个时尚周期。新的时尚就是创新，但时尚通常被认为是一个进化的过程而不是完全变革性的过程，也就是说从一个季节到另一个季节的风格有一个可感知的进展的过程，进而产生一个可以被识别的流行趋势。流行趋势预测既是这样一个用来分析和预测隐藏在时尚进化过程背后的推动力的工程。在时尚界，流行趋势预测不仅是一门科学，同时也是一门艺术[1]。因为预测者不光需要系统建模和使用概率论等数学知识定量的预测未来的趋势，还需要具有良好的直觉、判断力和创造力。过去，研究者通常使用统计学的方法来预测流行趋势，近年来，随着深度神经网络的发展，越来越多的研究者将人工智能应用在流行趋势分析上并取得了不错的效果（图1）。

1 流行趋势分析方法

流行趋势预测通常分为两种类型：短期预测和长期预测[2]。

短期预测：其中短期预测关注未来一到两年内的新产品的色彩、风格等流行元素。短期预测主要用于帮助公司提高短期销售额。短期预测可以通过产品演变分析来确定未来的趋势，然后讨论如何从颜色、纺织品和风格方面预测未来的产品。消费者明年打算买什么是许多时尚专业人士心中的一个中心问题，随着新时尚的发展，认识到产品随着时间的推移的转变，可以帮助预测未来的时尚产品的方向。分析产品的演变可以跨产品类别进行，也可以在一个类别内进行，当分析时间跨度时，时尚专业人士会分析连续几年的产品样本。例如，研究女装裙子长度的变化或男装肩部形状的变化，可以帮助预测该产品在下一季的变化；然后分析师可以确定特定产品类别的趋势。顶级设计师每年都会在世界上有名的时尚城市举办两次时装秀，来自世界各地的零售买家、时尚编辑和设计师都会参加并分析这些系列款式，这些款式会影响下一个季节性的流行趋势方向[3]。

长期预测：主要关注未来五年或更长时间的时尚产业方向，长期预测帮助公司评估当前的商业实践、重新定位产品或重新考虑产品与客户的关系、制定战略计划、理解和评估短期预测。预测者考虑了许多因素，如重组社会的人口结构变化、产业和市场结构的变化、消费者利益、价值观和动机的差异、技术和科学突破、经济状况的变化，以及国家之间政治、文化和经济联盟的改变尝试。大多数趋势观察者更容易接受改变，并使用富有想象力的思维建立联系。长期趋势发现必须持续地、系统地进行，才能有效。例如Keiser 等人根据其长期研究提出的随着科技的高速发展，越来越多的业务通过互联网和电话进行，因此日常工作中面对面的互动会越来越少，进而促使职场人士向商务休闲装的趋势转变[3]。

2 流行趋势预测技术

预测技术通常表示对于时间序列的预测。不管它们的最终目的是什么，这一领域的各种技术都有一个共同的目标，即从函数和输入序列的估计中获得可靠和准确的输出序列。时间序列技术基本上可以分为两种方法：单变量和多变量。在单变量方法的情况下，输出序列是一个可以被解释为趋势、季节性等实际意义常数，绝大多数情况下，由滞后的时间序列来解释这种预测。而多变量方法会利用每个变量对输出序列和对其他变量的相互影响，其使用了更复杂的传递函数以获得更好的结果。

过去，时尚界的大多数预测严重依赖人的主观判断（通常被称为专家意见），而这种机制不可能避免地会导致决策偏差[3]。由于时尚界在预测技术上的工程需求，促使研究者在历史数据很少的情况下，考察不同的预测模型在预测鞋类时尚趋势方面的表现。在历史数据丰富的情况下，前人针对时尚产品的特定性质（如颜色和风格）利用各种预测方法对流行趋势进行了研究[4]（图2）。

大多数时装销售预测是通过统计方法来完成的。其中包括线性回归、移动平均、加权平均、指数平滑（当有趋势但不是线性时使用）、有趋势的指数平滑、双指数平滑、贝叶斯分析等。ARIMA、SARIMA 等统计时间序列分析工具被广泛应用于销售预测[5]。由于这些方法具有封闭的预测表达式，因此具有简单易行、计算速度快的特点。Yelland 和Dong 等人检验了贝叶斯预测模型在时尚需求预测中的适用性，其结果表明与其他方法相比，他们提出的分层贝叶斯方法获得了更好的定量结果[6]。Mostard 等人对几种适合预测单周期产品的方法进行了比较研究。由于缺乏历史真实销售数据，其使用了客户预购的数据和其他来源的数据。他们指出，在一组基于预购的方法中，一种新颖的“顶翻式”方法表现得更好。此外他们还发现，对一小群特殊产品，专家判断方法优于先进的销量预测方法[7]。Li 和Lim 等人提出了一种贪婪的聚合分解方法，该方法基于来自新加坡一家零售商的真实销售数据库，以解决间歇性需求预测问题。这种新的框架的层次预测工作表现出显著优于其他广泛使用的间歇性需求预测方法[8]。

近年来，随着大数据时代来临与消费趋势计算方法出现，基于机器学习和深度学习的预测方式受到越来越多人的关注[9]。Choi 等人将灰色模型和神经网络模型结合起来，创建了一个新的混合模型，利用期刊历史数据预测颜色趋势。灰色模型的目的是解决灰色系统经常面临已知和未知信息的不确定性的问题，而神经网络模型模仿生物神经网络的结构，“学习”数据的模式并进行预测[4]。Al-Halah 介绍了一种利用卷积神经网络和亚马逊时尚产品数据预测视觉风格流行度的方法[10]。Xia 等人提出了经典方法（基于数学和统计模型）与现代启发式方法的区别，并指出人工智能方法通常需要大量的时间进行预测，预测性能在很大程度上取决于是否有足够的历史数据进行训练[11]。针对当前时尚周期越来越短导致产品的销售数据非常有限这一问题，Tisan 等人利用真实销售数据对比了人工神经网络（ArtificialNeuralNetwork,ANN）、灰色模型（Grey Model,GM）和马尔科夫机制转换（Markov regime Switching,MS）在预测消费者对于色彩偏好的预测的性能[4]。

3 展望

基于人工智能的时尚趋势预测的应用仍处于早期阶段，将来它可能彻底改变企业的运营方式。通过利用人工智能和社交媒体的力量，企业可以更准确地了解下个季度甚至明年会流行的风格，进而更准确地生产出满足消费者偏好的时尚产品。虽然人工智能分析方法表现出了优异的性能，但其对外表现为黑盒的模型以及需要超大规模的数据进行训练都是其在被广泛应用之前需要解决的问题。