劉妍兵，劉倫倫，唐 穎,2

(1.江南大學(xué) 設(shè)計(jì)學(xué)院，江蘇 無(wú)錫 214122； 2.米蘭理工大學(xué) 設(shè)計(jì)學(xué)院，意大利 米蘭 20158)

近年來(lái)，隨著互聯(lián)網(wǎng)和大數(shù)據(jù)分析技術(shù)的普及與應(yīng)用，智能計(jì)算工具在時(shí)尚界被廣泛應(yīng)用[1]。目前，時(shí)尚流行趨勢(shì)預(yù)測(cè)的界定方法主要以定性方法為主，依賴(lài)經(jīng)驗(yàn)和直覺(jué)判斷流行趨勢(shì)，存在著一定的局限性和盲目性[2]。通過(guò)按照一定規(guī)則梳理和匯總童裝流行元素信息，建立數(shù)學(xué)分析模型，可量化童裝流行元素并加大其區(qū)分度，從而減少設(shè)計(jì)師在童裝設(shè)計(jì)中對(duì)主觀感覺(jué)和經(jīng)驗(yàn)的依賴(lài)，以達(dá)到依靠數(shù)據(jù)分析結(jié)果進(jìn)行童裝流行元素預(yù)測(cè)的目的。長(zhǎng)期以來(lái)，為了更好地解決定性預(yù)測(cè)法中設(shè)計(jì)決策錨定出現(xiàn)偏差等問(wèn)題，許多研究以流行元素為研究對(duì)象，通過(guò)一定的數(shù)學(xué)工具，針對(duì)流行元素中可以量化的部分進(jìn)行測(cè)量和分析。關(guān)于流行元素的理論預(yù)測(cè)模型中最具有代表性的主要有灰色系統(tǒng)理論[3]、人工神經(jīng)網(wǎng)絡(luò)模型[4]和自回歸綜合移動(dòng)平均值(ARIMA)[5]等傳統(tǒng)的數(shù)理統(tǒng)計(jì)模型。

人工神經(jīng)網(wǎng)絡(luò)不僅具有很強(qiáng)的并行處理、自學(xué)習(xí)和自適應(yīng)等能力，還擁有十分靈活的非線(xiàn)性建模功能。與統(tǒng)計(jì)數(shù)據(jù)處理模型不同，人工神經(jīng)網(wǎng)絡(luò)不假設(shè)數(shù)據(jù)模式，只要有足夠的歷史數(shù)據(jù)點(diǎn)、使用適當(dāng)?shù)娜斯ど窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)，就可以預(yù)測(cè)任意數(shù)據(jù)模式。

本文以數(shù)據(jù)量化技術(shù)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)為理論基礎(chǔ)，初步建立了童裝流行元素預(yù)測(cè)模型，對(duì)童裝流行元素進(jìn)行了綜合分析和預(yù)測(cè)。同時(shí)，為了改善傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法收斂速度慢、易陷入局部極小值等情況，在構(gòu)建神經(jīng)網(wǎng)絡(luò)中逐步增加訓(xùn)練數(shù)據(jù)、隱藏單元優(yōu)化算法。并加入1個(gè)動(dòng)量項(xiàng)以降低誤差曲面局部細(xì)節(jié)的敏感性，克服網(wǎng)絡(luò)容易陷入局部極小的缺點(diǎn)、提高預(yù)測(cè)精度。在歷史數(shù)據(jù)很少的情況下做出合理的預(yù)測(cè)決策，輔助童裝設(shè)計(jì)師精準(zhǔn)把握童裝流行方向。對(duì)于童裝設(shè)計(jì)生產(chǎn)過(guò)程中，童裝的流行趨勢(shì)預(yù)測(cè)具有實(shí)際意義。

1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法

BP神經(jīng)網(wǎng)絡(luò)是一種有效的多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法，其特點(diǎn)是信號(hào)向前傳遞，誤差反向傳播，之后用這些誤差來(lái)調(diào)整神經(jīng)元的權(quán)重，從而生成一個(gè)可以模擬出原始問(wèn)題的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)[6]。

童裝流行元素的變化受到人的主觀判斷(或稱(chēng)為專(zhuān)家建議)和文化、經(jīng)濟(jì)、政治等外部因素的影響。在高度波動(dòng)的時(shí)尚銷(xiāo)售時(shí)間序列中可能沒(méi)有明顯的趨勢(shì)和周期，因此傳統(tǒng)模型在歷史數(shù)據(jù)很少的情況下做出合理的預(yù)測(cè)決策具有較大的挑戰(zhàn)。本文面對(duì)童裝流行元素預(yù)測(cè)領(lǐng)域中有限的歷史數(shù)據(jù)，對(duì)比分析后選擇BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行研究。

圖1為一個(gè)輸出變量的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖。在該網(wǎng)絡(luò)中，存在Xi為輸入層向量，Dk為輸出層向量，以及他們之間的一個(gè)或多個(gè)隱藏層由Zi來(lái)表示；Wij、Wjk分別表示輸入層到隱藏層、隱藏層到輸出層的連接權(quán)值。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 BP neural network topology

BP神經(jīng)網(wǎng)絡(luò)典型算法的基本公式如下[7]：

(1)

(2)

式中：Xi為神經(jīng)網(wǎng)絡(luò)輸入值；Yi為實(shí)際神經(jīng)網(wǎng)絡(luò)輸出值；di為神經(jīng)網(wǎng)絡(luò)的期望輸出值；Wijk為第i層第j個(gè)神經(jīng)元到第i+1層第k個(gè)神經(jīng)元連接權(quán)值；Oij為第i層第j個(gè)神經(jīng)元輸出值；θij(或θij)為第i層第j神經(jīng)元的閾值；netij為第i層第j個(gè)神經(jīng)元總輸入。

BP算法基于誤差函數(shù)的梯度信息，當(dāng)問(wèn)題復(fù)雜或難以獲得梯度信息時(shí)，BP算法就會(huì)存在局部極小值。BP神經(jīng)網(wǎng)絡(luò)的收斂性通常取決于經(jīng)驗(yàn)，學(xué)習(xí)因子和慣性因子的選擇也會(huì)影響B(tài)P神經(jīng)網(wǎng)絡(luò)的收斂性。為了克服這些缺點(diǎn)、改善BP的收斂速度、提高神經(jīng)網(wǎng)絡(luò)的泛化能力，在神經(jīng)網(wǎng)絡(luò)的研究和設(shè)計(jì)中導(dǎo)入了許多優(yōu)化算法。本文采取Rumelhart等[8]提出的逐步增加訓(xùn)練數(shù)據(jù)和隱藏單元優(yōu)化算法構(gòu)建神經(jīng)網(wǎng)絡(luò)，通過(guò)加入動(dòng)量項(xiàng)，降低了誤差曲面局部細(xì)節(jié)的敏感性、克服網(wǎng)絡(luò)容易陷入局部極小的缺點(diǎn)，提高預(yù)測(cè)精度。計(jì)算當(dāng)前誤差曲面的負(fù)梯度變化量與前一次迭代修正所采用的權(quán)值變化量的適當(dāng)比例求和，獲得權(quán)值的變化量，計(jì)算公式見(jiàn)式(3)。

ΔW(t)=ηδO+αΔW(t-1)

(3)

式中：W為某層的權(quán)矩陣；η為學(xué)習(xí)率；α為加權(quán)和的權(quán)重；O為某層的輸出向量；δ為誤差項(xiàng)，即δ0是O的誤差值。

圖5表明了使用自適應(yīng)閾值,檢測(cè)結(jié)果比整個(gè)圖像的固定閾值稍差。另一個(gè)方法嘗試通過(guò)調(diào)整閾值來(lái)改進(jìn)SUSAN算法,結(jié)果亦能夠得到一定的改善。由于該類(lèi)算法主要采集檢測(cè)建筑物邊緣和角點(diǎn)特征,所以,對(duì)其檢測(cè)步驟進(jìn)行細(xì)化,能夠提高檢測(cè)準(zhǔn)確度,消除虛假警報(bào)并恢復(fù)錯(cuò)過(guò)的特征信息。在拐角的情況下,特征之間彼此不連通,使用邊緣信息理論以實(shí)現(xiàn)建筑物特征點(diǎn)稀疏化的過(guò)程。

2 預(yù)測(cè)模型實(shí)現(xiàn)分析

2.1 童裝流行元素樣本數(shù)據(jù)庫(kù)建立與元素識(shí)別

在未來(lái)兒童服裝流行元素趨勢(shì)預(yù)測(cè)中，童裝的廓形數(shù)據(jù)、色彩數(shù)據(jù)、面料數(shù)據(jù)、輔料數(shù)據(jù)、圖案數(shù)據(jù)、工藝數(shù)據(jù)等時(shí)尚信息常被用作基礎(chǔ)的歷史數(shù)據(jù)庫(kù)。在現(xiàn)代社會(huì)中，童裝的流行受到社會(huì)文化和社會(huì)現(xiàn)象的影響，人們獲取的童裝流行元素往往是以不完整的文字、圖片、影像等多元化形式的資料呈現(xiàn)，設(shè)計(jì)師們很難進(jìn)行有效的流行元素識(shí)別。

針對(duì)這種情況，進(jìn)行了童裝流行元素的提煉：把相關(guān)流行消息的相互影響結(jié)果嫁接在童裝產(chǎn)品的具體構(gòu)成元素中去，找到各個(gè)領(lǐng)域之間的內(nèi)部聯(lián)系，并從事物的意識(shí)形態(tài)和社會(huì)文化視角去審視童裝的流行要素，從而探索時(shí)尚的來(lái)源和實(shí)質(zhì)，對(duì)童裝流行元素的發(fā)展趨勢(shì)進(jìn)行更加準(zhǔn)確的把握。本文從中國(guó)主要電商平臺(tái)的童裝品牌銷(xiāo)售數(shù)據(jù)、服裝市場(chǎng)數(shù)據(jù)中獲取樣本數(shù)據(jù)，從童裝流行元素的整體風(fēng)格入手，行之有效地把童裝的流行元素逐一提取出來(lái)，并按照造型要素、款式要素、材料要素、色彩要素、圖案要素、結(jié)構(gòu)要素、工藝要素、搭配要素和風(fēng)格要素這九大類(lèi)進(jìn)行分類(lèi)[9],流行元素識(shí)別的流程如圖2所示。

圖2 流行元素識(shí)別的流程Fig.2 Process of identifying popular elements

2.2 數(shù)據(jù)量化方法

量化可以將成千上萬(wàn)的信息轉(zhuǎn)換成數(shù)據(jù)形式，是所有數(shù)據(jù)的核心[10]。在進(jìn)行童裝流行元素量化研究過(guò)程中，采用虛擬變量的方法，對(duì)已分類(lèi)的童裝流行元素進(jìn)行量化，著重探討客觀購(gòu)買(mǎi)行為與有關(guān)變量的因果關(guān)系和變量間的相關(guān)性。采用數(shù)值的形式分析童裝流行元素，為童裝設(shè)計(jì)提供一定科學(xué)性的參考。

量化研究包含幾個(gè)相互關(guān)聯(lián)的步驟，各個(gè)步驟環(huán)環(huán)相扣[11]。實(shí)現(xiàn)量化需要把已知的歷史數(shù)據(jù)量化成可參考、對(duì)比、分析、建模的數(shù)據(jù)資源。目前童裝設(shè)計(jì)所呈現(xiàn)的信息多且雜亂，利用海量信息概括出普遍規(guī)律、從而對(duì)童裝的流行元素進(jìn)行預(yù)測(cè)是量化研究的核心問(wèn)題之一。

本文的量化研究包括假設(shè)、實(shí)驗(yàn)驗(yàn)證和數(shù)據(jù)分析3個(gè)階段。第1階段通過(guò)制定研究目標(biāo)、選取研究對(duì)象、分析相關(guān)變量作為整個(gè)量化研究的基礎(chǔ)。第2階段主要是多渠道客觀、科學(xué)地獲取實(shí)驗(yàn)數(shù)據(jù)資料。第3階段是數(shù)據(jù)的計(jì)算機(jī)化分析，其主要目的是把看似雜亂無(wú)章的數(shù)據(jù)進(jìn)行萃取、提煉，以找出童裝流行元素的內(nèi)在關(guān)系。具體的量化研究方法如圖3所示。

圖3 量化研究的基本方法Fig.3 Basic methods of quantitative research

2.3 童裝流行元素預(yù)測(cè)流程

采用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)童裝流行元素，圖4為BP神經(jīng)網(wǎng)絡(luò)童裝流行元素主要預(yù)測(cè)流程。首先按照一定的規(guī)則將童裝流行元素進(jìn)行匯總和梳理，以歷史銷(xiāo)售額占比作為反映流行程度的指標(biāo)，采用虛擬變量的方法對(duì)分好類(lèi)的童裝流行元素進(jìn)行歸一化處理，使收集到的圖片和文字型數(shù)據(jù)轉(zhuǎn)化成為可以量化的數(shù)據(jù)；然后，以輸入、輸出矩陣的形式確定預(yù)測(cè)元素的樣本數(shù)據(jù)，且對(duì)數(shù)據(jù)樣本進(jìn)行散點(diǎn)繪圖，對(duì)童裝流行元素的整體趨勢(shì)走向、規(guī)律、周期等形成初步判斷；接著對(duì)樣本數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，調(diào)整隱含層節(jié)點(diǎn)數(shù)，以BP神經(jīng)網(wǎng)絡(luò)模型模擬預(yù)測(cè)結(jié)果，對(duì)童裝流行元素進(jìn)行預(yù)測(cè)并輸出。最后，驗(yàn)證和檢驗(yàn)預(yù)測(cè)結(jié)果。

圖4 BP神經(jīng)網(wǎng)絡(luò)童裝流行元素預(yù)測(cè)流程圖Fig.4 BP neural network children′s fashion element prediction flow chart

3 童裝流行色預(yù)測(cè)實(shí)例

表1 2000—2019年色相歷史數(shù)據(jù)Tab.1 Historical data of color hue from 2000 to 2019

原始數(shù)據(jù)中不同流行色對(duì)應(yīng)的銷(xiāo)售額以及不同年份的銷(xiāo)售額之間存在量綱差異較大現(xiàn)象，針對(duì)建模過(guò)程中可能出現(xiàn)“大數(shù)吃小數(shù)”等造成最終預(yù)測(cè)模型解釋性和預(yù)測(cè)能力不足的現(xiàn)象，首先對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，即將每年不同色彩元素銷(xiāo)售額數(shù)據(jù)樣本標(biāo)準(zhǔn)化為0～1區(qū)間內(nèi)，得到一定的標(biāo)準(zhǔn)化之后的數(shù)據(jù)表格。2000—2019年色相歷史數(shù)據(jù)見(jiàn)表1。表格雖然可以對(duì)歷年不同色彩元素的銷(xiāo)售情況、流行程度進(jìn)行精確描述，但是其信息呈現(xiàn)比較分散且不夠直觀。為了定性且直觀地分析色彩元素的變化規(guī)律和整體特征，又繪制了不同色彩明度、純度每年銷(xiāo)售額占比的變化趨勢(shì)，以及其在過(guò)去20 年內(nèi)的銷(xiāo)售額累積占比，不同明度銷(xiāo)售額占比變化見(jiàn)圖5,不同純度銷(xiāo)售額占比變化見(jiàn)圖6。

表1及圖5、6示出，銷(xiāo)售額占比可以反映流行程度，不同色彩元素流行程度隨年份波動(dòng)而變化且具有周期性?；谏嘣劁N(xiāo)售情況變化周期基本為3年，將BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)選擇為3；明度的變化周期為4，純度變化周期為3，將明度和純度神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的輸入時(shí)間節(jié)點(diǎn)選擇為4和3。

基于上述數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模和預(yù)測(cè)，對(duì)色彩三要素的模型訓(xùn)練過(guò)程如圖7所示。將已知信息和基于歷史數(shù)據(jù)中的流行色分析判斷作為先驗(yàn)信息，對(duì)BP神經(jīng)網(wǎng)絡(luò)建模預(yù)測(cè)效果進(jìn)行參考和驗(yàn)證。

圖5 不同明度銷(xiāo)售占比變化折線(xiàn)圖Fig.5 Line graph of the change in the percentage of sales by brightness.(a)High lightness sales； (b)Medium lightness sales；(c) Low lightness sales

圖6 不同純度銷(xiāo)售占比變化折線(xiàn)圖Fig.6 Folding graph of the change in the percentage of sales of different purity levels.(a)High purity； (b)Medium purity；(c)Low purity

圖7 色彩三要素的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.7 Model structure of BP neural network model with three elements of colour.(a) Hue；(b) Lightness；(c) Purity

由圖7示出，3個(gè)模型均可以在有限步驟之內(nèi)結(jié)束，且滿(mǎn)足在誤差允許范圍內(nèi)。對(duì)色彩三要素訓(xùn)練的性能曲線(xiàn)如圖8所示。

圖8 色彩三要素的BP神經(jīng)網(wǎng)絡(luò)模型性能曲線(xiàn)Fig.8 Performance curve of the BP neural network model for the three elements of colour.(a) Hue；(b) Lightness； (c) Purity

圖9 色彩三要素的BP神經(jīng)網(wǎng)絡(luò)模型誤差直方圖Fig.9 Error histogram of the BP neural network model for the three elements of colour.(a) Hue；(b) Lightness； (c)Purity

3個(gè)模型預(yù)測(cè)誤差直方圖如圖9所示。由圖9示出，模型誤差主要分布在0誤差線(xiàn)附近，而且近似呈現(xiàn)標(biāo)準(zhǔn)正態(tài)分布曲線(xiàn)，可以理解為影響色彩流行程度的不可測(cè)白噪聲因素。在預(yù)測(cè)建模領(lǐng)域，將不可控不可測(cè)的未知自變量納入噪聲因素，但是可以通過(guò)分析噪聲的分布類(lèi)型來(lái)確定建模效果，根據(jù)大數(shù)定律和中心極限定理，變量一般服從正態(tài)分布。圖9中的均值為零的正態(tài)分布則表明模型精度較高且符合客觀事實(shí)?；谏鲜瞿Ｐ蛯?duì)2021—2022年秋冬童裝流行色的色相預(yù)測(cè)顯示，黃色的流行度最高，占比0.287 7%，其次為紅色，占比0.139 1%，黑白灰則占比最少為0.009 1%，具體結(jié)果如表2所示；對(duì)明度流行預(yù)測(cè)顯示，高明度流行度最強(qiáng)，占比為62.75%，中明度次之為21.91%，低明度為15.34%；對(duì)純度流行預(yù)測(cè)顯示，中純度流行度最大，占比為62.17%，低純度次之為24.84%，高明度為12.99%。

在2000—2020年共20年歷史數(shù)據(jù)訓(xùn)練出的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的基礎(chǔ)上，對(duì)2021—2022年童裝流行色進(jìn)行分析，發(fā)現(xiàn)2021—2022年秋冬較為流行的色相為：黃、黃紅、紅，與市場(chǎng)流行趨勢(shì)一致，表明2021—2022年秋冬流行色相具有繼承性且預(yù)測(cè)模型較為可靠。紅紫和藍(lán)綠2種色相的流行程度將在2021—2022年秋冬大幅提升，可作為市場(chǎng)營(yíng)銷(xiāo)的指導(dǎo)信息，反映出人們對(duì)于色相追求更加多元化的潛在趨勢(shì)；高明度依舊是2021—2022年秋冬最流行的色彩特征，從側(cè)面體現(xiàn)了兒童對(duì)于鮮亮外表的追求心理；而純度流行趨勢(shì)則在2021—2022年秋冬將發(fā)生大幅變化，中純度將形成壓倒性流行態(tài)勢(shì)，這與當(dāng)下童裝更替速率加快，大眾更愿意降低純度要求、提高了對(duì)其他元素要求的現(xiàn)象有關(guān)。

表2 2021—2022年秋冬童裝色相流行預(yù)測(cè)Tab.2 Autumn/winter children′s clothing colour palette trend forecast 2021—2022

4 結(jié)束語(yǔ)

本文以數(shù)據(jù)量化技術(shù)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)為理論基礎(chǔ)，初步建立了童裝流行元素預(yù)測(cè)模型。利用童裝BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)童裝流行元素的整體趨勢(shì)走向、規(guī)律、周期等形成了初步判斷，之后選定色彩元素作為預(yù)測(cè)指標(biāo)構(gòu)建了預(yù)測(cè)模型實(shí)例，對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，調(diào)整其隱含層節(jié)點(diǎn)數(shù)，以BP神經(jīng)網(wǎng)絡(luò)模型模擬預(yù)測(cè)結(jié)果，從而對(duì)2021—2022年秋冬的流行色進(jìn)行預(yù)測(cè)并輸出符合市場(chǎng)流行趨勢(shì)。該模型將人工智能和設(shè)計(jì)人員的經(jīng)驗(yàn)相結(jié)合，有助于幫助服裝設(shè)計(jì)師把握流行方向，對(duì)市場(chǎng)營(yíng)銷(xiāo)和產(chǎn)品設(shè)計(jì)具有重要的參考價(jià)值和指導(dǎo)意義。