曾杰，周晉，陳雨*

（1.四川大學(xué)電子信息學(xué)院智能控制研究所，四川 成都 610065;2.四川大學(xué)制革清潔技術(shù)國(guó)家工程實(shí)驗(yàn)室，四川 成都 610065）

引言

時(shí)尚是不斷變化的，一個(gè)新的款式引入市場(chǎng)后被越來(lái)越多的消費(fèi)者接受，等到了成熟階段之后卻不再被時(shí)尚界所接受，這個(gè)過(guò)程被稱為一個(gè)時(shí)尚周期。新的時(shí)尚就是創(chuàng)新，但時(shí)尚通常被認(rèn)為是一個(gè)進(jìn)化的過(guò)程而不是完全變革性的過(guò)程，也就是說(shuō)從一個(gè)季節(jié)到另一個(gè)季節(jié)的風(fēng)格有一個(gè)可感知的進(jìn)展的過(guò)程，進(jìn)而產(chǎn)生一個(gè)可以被識(shí)別的流行趨勢(shì)。流行趨勢(shì)預(yù)測(cè)既是這樣一個(gè)用來(lái)分析和預(yù)測(cè)隱藏在時(shí)尚進(jìn)化過(guò)程背后的推動(dòng)力的工程。在時(shí)尚界，流行趨勢(shì)預(yù)測(cè)不僅是一門科學(xué)，同時(shí)也是一門藝術(shù)[1]。因?yàn)轭A(yù)測(cè)者不光需要系統(tǒng)建模和使用概率論等數(shù)學(xué)知識(shí)定量的預(yù)測(cè)未來(lái)的趨勢(shì)，還需要具有良好的直覺(jué)、判斷力和創(chuàng)造力。過(guò)去，研究者通常使用統(tǒng)計(jì)學(xué)的方法來(lái)預(yù)測(cè)流行趨勢(shì)，近年來(lái)，隨著深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，越來(lái)越多的研究者將人工智能應(yīng)用在流行趨勢(shì)分析上并取得了不錯(cuò)的效果（圖1）。

1 流行趨勢(shì)分析方法

流行趨勢(shì)預(yù)測(cè)通常分為兩種類型：短期預(yù)測(cè)和長(zhǎng)期預(yù)測(cè)[2]。

短期預(yù)測(cè)：其中短期預(yù)測(cè)關(guān)注未來(lái)一到兩年內(nèi)的新產(chǎn)品的色彩、風(fēng)格等流行元素。短期預(yù)測(cè)主要用于幫助公司提高短期銷售額。短期預(yù)測(cè)可以通過(guò)產(chǎn)品演變分析來(lái)確定未來(lái)的趨勢(shì)，然后討論如何從顏色、紡織品和風(fēng)格方面預(yù)測(cè)未來(lái)的產(chǎn)品。消費(fèi)者明年打算買什么是許多時(shí)尚專業(yè)人士心中的一個(gè)中心問(wèn)題，隨著新時(shí)尚的發(fā)展，認(rèn)識(shí)到產(chǎn)品隨著時(shí)間的推移的轉(zhuǎn)變，可以幫助預(yù)測(cè)未來(lái)的時(shí)尚產(chǎn)品的方向。分析產(chǎn)品的演變可以跨產(chǎn)品類別進(jìn)行，也可以在一個(gè)類別內(nèi)進(jìn)行，當(dāng)分析時(shí)間跨度時(shí)，時(shí)尚專業(yè)人士會(huì)分析連續(xù)幾年的產(chǎn)品樣本。例如，研究女裝裙子長(zhǎng)度的變化或男裝肩部形狀的變化，可以幫助預(yù)測(cè)該產(chǎn)品在下一季的變化；然后分析師可以確定特定產(chǎn)品類別的趨勢(shì)。頂級(jí)設(shè)計(jì)師每年都會(huì)在世界上有名的時(shí)尚城市舉辦兩次時(shí)裝秀，來(lái)自世界各地的零售買家、時(shí)尚編輯和設(shè)計(jì)師都會(huì)參加并分析這些系列款式，這些款式會(huì)影響下一個(gè)季節(jié)性的流行趨勢(shì)方向[3]。

長(zhǎng)期預(yù)測(cè)：主要關(guān)注未來(lái)五年或更長(zhǎng)時(shí)間的時(shí)尚產(chǎn)業(yè)方向，長(zhǎng)期預(yù)測(cè)幫助公司評(píng)估當(dāng)前的商業(yè)實(shí)踐、重新定位產(chǎn)品或重新考慮產(chǎn)品與客戶的關(guān)系、制定戰(zhàn)略計(jì)劃、理解和評(píng)估短期預(yù)測(cè)。預(yù)測(cè)者考慮了許多因素，如重組社會(huì)的人口結(jié)構(gòu)變化、產(chǎn)業(yè)和市場(chǎng)結(jié)構(gòu)的變化、消費(fèi)者利益、價(jià)值觀和動(dòng)機(jī)的差異、技術(shù)和科學(xué)突破、經(jīng)濟(jì)狀況的變化，以及國(guó)家之間政治、文化和經(jīng)濟(jì)聯(lián)盟的改變嘗試。大多數(shù)趨勢(shì)觀察者更容易接受改變，并使用富有想象力的思維建立聯(lián)系。長(zhǎng)期趨勢(shì)發(fā)現(xiàn)必須持續(xù)地、系統(tǒng)地進(jìn)行，才能有效。例如Keiser 等人根據(jù)其長(zhǎng)期研究提出的隨著科技的高速發(fā)展，越來(lái)越多的業(yè)務(wù)通過(guò)互聯(lián)網(wǎng)和電話進(jìn)行，因此日常工作中面對(duì)面的互動(dòng)會(huì)越來(lái)越少，進(jìn)而促使職場(chǎng)人士向商務(wù)休閑裝的趨勢(shì)轉(zhuǎn)變[3]。

2 流行趨勢(shì)預(yù)測(cè)技術(shù)

預(yù)測(cè)技術(shù)通常表示對(duì)于時(shí)間序列的預(yù)測(cè)。不管它們的最終目的是什么，這一領(lǐng)域的各種技術(shù)都有一個(gè)共同的目標(biāo)，即從函數(shù)和輸入序列的估計(jì)中獲得可靠和準(zhǔn)確的輸出序列。時(shí)間序列技術(shù)基本上可以分為兩種方法：?jiǎn)巫兞亢投嘧兞?。在單變量方法的情況下，輸出序列是一個(gè)可以被解釋為趨勢(shì)、季節(jié)性等實(shí)際意義常數(shù)，絕大多數(shù)情況下，由滯后的時(shí)間序列來(lái)解釋這種預(yù)測(cè)。而多變量方法會(huì)利用每個(gè)變量對(duì)輸出序列和對(duì)其他變量的相互影響，其使用了更復(fù)雜的傳遞函數(shù)以獲得更好的結(jié)果。

過(guò)去，時(shí)尚界的大多數(shù)預(yù)測(cè)嚴(yán)重依賴人的主觀判斷（通常被稱為專家意見(jiàn)），而這種機(jī)制不可能避免地會(huì)導(dǎo)致決策偏差[3]。由于時(shí)尚界在預(yù)測(cè)技術(shù)上的工程需求，促使研究者在歷史數(shù)據(jù)很少的情況下，考察不同的預(yù)測(cè)模型在預(yù)測(cè)鞋類時(shí)尚趨勢(shì)方面的表現(xiàn)。在歷史數(shù)據(jù)豐富的情況下，前人針對(duì)時(shí)尚產(chǎn)品的特定性質(zhì)（如顏色和風(fēng)格）利用各種預(yù)測(cè)方法對(duì)流行趨勢(shì)進(jìn)行了研究[4]（圖2）。

大多數(shù)時(shí)裝銷售預(yù)測(cè)是通過(guò)統(tǒng)計(jì)方法來(lái)完成的。其中包括線性回歸、移動(dòng)平均、加權(quán)平均、指數(shù)平滑（當(dāng)有趨勢(shì)但不是線性時(shí)使用）、有趨勢(shì)的指數(shù)平滑、雙指數(shù)平滑、貝葉斯分析等。ARIMA、SARIMA 等統(tǒng)計(jì)時(shí)間序列分析工具被廣泛應(yīng)用于銷售預(yù)測(cè)[5]。由于這些方法具有封閉的預(yù)測(cè)表達(dá)式，因此具有簡(jiǎn)單易行、計(jì)算速度快的特點(diǎn)。Yelland 和Dong 等人檢驗(yàn)了貝葉斯預(yù)測(cè)模型在時(shí)尚需求預(yù)測(cè)中的適用性，其結(jié)果表明與其他方法相比，他們提出的分層貝葉斯方法獲得了更好的定量結(jié)果[6]。Mostard 等人對(duì)幾種適合預(yù)測(cè)單周期產(chǎn)品的方法進(jìn)行了比較研究。由于缺乏歷史真實(shí)銷售數(shù)據(jù)，其使用了客戶預(yù)購(gòu)的數(shù)據(jù)和其他來(lái)源的數(shù)據(jù)。他們指出，在一組基于預(yù)購(gòu)的方法中，一種新穎的“頂翻式”方法表現(xiàn)得更好。此外他們還發(fā)現(xiàn)，對(duì)一小群特殊產(chǎn)品，專家判斷方法優(yōu)于先進(jìn)的銷量預(yù)測(cè)方法[7]。Li 和Lim 等人提出了一種貪婪的聚合分解方法，該方法基于來(lái)自新加坡一家零售商的真實(shí)銷售數(shù)據(jù)庫(kù)，以解決間歇性需求預(yù)測(cè)問(wèn)題。這種新的框架的層次預(yù)測(cè)工作表現(xiàn)出顯著優(yōu)于其他廣泛使用的間歇性需求預(yù)測(cè)方法[8]。

近年來(lái)，隨著大數(shù)據(jù)時(shí)代來(lái)臨與消費(fèi)趨勢(shì)計(jì)算方法出現(xiàn)，基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的預(yù)測(cè)方式受到越來(lái)越多人的關(guān)注[9]。Choi 等人將灰色模型和神經(jīng)網(wǎng)絡(luò)模型結(jié)合起來(lái)，創(chuàng)建了一個(gè)新的混合模型，利用期刊歷史數(shù)據(jù)預(yù)測(cè)顏色趨勢(shì)?；疑Ｐ偷哪康氖墙鉀Q灰色系統(tǒng)經(jīng)常面臨已知和未知信息的不確定性的問(wèn)題，而神經(jīng)網(wǎng)絡(luò)模型模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，“學(xué)習(xí)”數(shù)據(jù)的模式并進(jìn)行預(yù)測(cè)[4]。Al-Halah 介紹了一種利用卷積神經(jīng)網(wǎng)絡(luò)和亞馬遜時(shí)尚產(chǎn)品數(shù)據(jù)預(yù)測(cè)視覺(jué)風(fēng)格流行度的方法[10]。Xia 等人提出了經(jīng)典方法（基于數(shù)學(xué)和統(tǒng)計(jì)模型）與現(xiàn)代啟發(fā)式方法的區(qū)別，并指出人工智能方法通常需要大量的時(shí)間進(jìn)行預(yù)測(cè)，預(yù)測(cè)性能在很大程度上取決于是否有足夠的歷史數(shù)據(jù)進(jìn)行訓(xùn)練[11]。針對(duì)當(dāng)前時(shí)尚周期越來(lái)越短導(dǎo)致產(chǎn)品的銷售數(shù)據(jù)非常有限這一問(wèn)題，Tisan 等人利用真實(shí)銷售數(shù)據(jù)對(duì)比了人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,ANN）、灰色模型（Grey Model,GM）和馬爾科夫機(jī)制轉(zhuǎn)換（Markov regime Switching,MS）在預(yù)測(cè)消費(fèi)者對(duì)于色彩偏好的預(yù)測(cè)的性能[4]。

3 展望

基于人工智能的時(shí)尚趨勢(shì)預(yù)測(cè)的應(yīng)用仍處于早期階段，將來(lái)它可能徹底改變企業(yè)的運(yùn)營(yíng)方式。通過(guò)利用人工智能和社交媒體的力量，企業(yè)可以更準(zhǔn)確地了解下個(gè)季度甚至明年會(huì)流行的風(fēng)格，進(jìn)而更準(zhǔn)確地生產(chǎn)出滿足消費(fèi)者偏好的時(shí)尚產(chǎn)品。雖然人工智能分析方法表現(xiàn)出了優(yōu)異的性能，但其對(duì)外表現(xiàn)為黑盒的模型以及需要超大規(guī)模的數(shù)據(jù)進(jìn)行訓(xùn)練都是其在被廣泛應(yīng)用之前需要解決的問(wèn)題。