時尚行業(yè)的流行趨勢分析技術(shù)的概況

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)國家工程實驗室，四川 成都 610065）

引言

時尚是不斷變化的，一個新的款式引入市場后被越來越多的消費者接受，等到了成熟階段之后卻不再被時尚界所接受，這個過程被稱為一個時尚周期。新的時尚就是創(chuàng)新，但時尚通常被認(rèn)為是一個進化的過程而不是完全變革性的過程，也就是說從一個季節(jié)到另一個季節(jié)的風(fēng)格有一個可感知的進展的過程，進而產(chǎn)生一個可以被識別的流行趨勢。流行趨勢預(yù)測既是這樣一個用來分析和預(yù)測隱藏在時尚進化過程背后的推動力的工程。在時尚界，流行趨勢預(yù)測不僅是一門科學(xué)，同時也是一門藝術(shù)[1]。因為預(yù)測者不光需要系統(tǒng)建模和使用概率論等數(shù)學(xué)知識定量的預(yù)測未來的趨勢，還需要具有良好的直覺、判斷力和創(chuàng)造力。過去，研究者通常使用統(tǒng)計學(xué)的方法來預(yù)測流行趨勢，近年來，隨著深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，越來越多的研究者將人工智能應(yīng)用在流行趨勢分析上并取得了不錯的效果（圖1）。

1 流行趨勢分析方法

流行趨勢預(yù)測通常分為兩種類型：短期預(yù)測和長期預(yù)測[2]。

短期預(yù)測：其中短期預(yù)測關(guān)注未來一到兩年內(nèi)的新產(chǎn)品的色彩、風(fēng)格等流行元素。短期預(yù)測主要用于幫助公司提高短期銷售額。短期預(yù)測可以通過產(chǎn)品演變分析來確定未來的趨勢，然后討論如何從顏色、紡織品和風(fēng)格方面預(yù)測未來的產(chǎn)品。消費者明年打算買什么是許多時尚專業(yè)人士心中的一個中心問題，隨著新時尚的發(fā)展，認(rèn)識到產(chǎn)品隨著時間的推移的轉(zhuǎn)變，可以幫助預(yù)測未來的時尚產(chǎn)品的方向。分析產(chǎn)品的演變可以跨產(chǎn)品類別進行，也可以在一個類別內(nèi)進行，當(dāng)分析時間跨度時，時尚專業(yè)人士會分析連續(xù)幾年的產(chǎn)品樣本。例如，研究女裝裙子長度的變化或男裝肩部形狀的變化，可以幫助預(yù)測該產(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。頂級設(shè)計師每年都會在世界上有名的時尚城市舉辦兩次時裝秀，來自世界各地的零售買家、時尚編輯和設(shè)計師都會參加并分析這些系列款式，這些款式會影響下一個季節(jié)性的流行趨勢方向[3]。

長期預(yù)測：主要關(guān)注未來五年或更長時間的時尚產(chǎn)業(yè)方向，長期預(yù)測幫助公司評估當(dāng)前的商業(yè)實踐、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)略計劃、理解和評估短期預(yù)測。預(yù)測者考慮了許多因素，如重組社會的人口結(jié)構(gòu)變化、產(chǎn)業(yè)和市場結(jié)構(gòu)的變化、消費者利益、價值觀和動機的差異、技術(shù)和科學(xué)突破、經(jīng)濟狀況的變化，以及國家之間政治、文化和經(jīng)濟聯(lián)盟的改變嘗試。大多數(shù)趨勢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。長期趨勢發(fā)現(xiàn)必須持續(xù)地、系統(tǒng)地進行，才能有效。例如Keiser 等人根據(jù)其長期研究提出的隨著科技的高速發(fā)展，越來越多的業(yè)務(wù)通過互聯(lián)網(wǎng)和電話進行，因此日常工作中面對面的互動會越來越少，進而促使職場人士向商務(wù)休閑裝的趨勢轉(zhuǎn)變[3]。

2 流行趨勢預(yù)測技術(shù)

預(yù)測技術(shù)通常表示對于時間序列的預(yù)測。不管它們的最終目的是什么，這一領(lǐng)域的各種技術(shù)都有一個共同的目標(biāo)，即從函數(shù)和輸入序列的估計中獲得可靠和準(zhǔn)確的輸出序列。時間序列技術(shù)基本上可以分為兩種方法：單變量和多變量。在單變量方法的情況下，輸出序列是一個可以被解釋為趨勢、季節(jié)性等實際意義常數(shù)，絕大多數(shù)情況下，由滯后的時間序列來解釋這種預(yù)測。而多變量方法會利用每個變量對輸出序列和對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。

過去，時尚界的大多數(shù)預(yù)測嚴(yán)重依賴人的主觀判斷（通常被稱為專家意見），而這種機制不可能避免地會導(dǎo)致決策偏差[3]。由于時尚界在預(yù)測技術(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)測模型在預(yù)測鞋類時尚趨勢方面的表現(xiàn)。在歷史數(shù)據(jù)豐富的情況下，前人針對時尚產(chǎn)品的特定性質(zhì)（如顏色和風(fēng)格）利用各種預(yù)測方法對流行趨勢進行了研究[4]（圖2）。

大多數(shù)時裝銷售預(yù)測是通過統(tǒng)計方法來完成的。其中包括線性回歸、移動平均、加權(quán)平均、指數(shù)平滑（當(dāng)有趨勢但不是線性時使用）、有趨勢的指數(shù)平滑、雙指數(shù)平滑、貝葉斯分析等。ARIMA、SARIMA 等統(tǒng)計時間序列分析工具被廣泛應(yīng)用于銷售預(yù)測[5]。由于這些方法具有封閉的預(yù)測表達式，因此具有簡單易行、計算速度快的特點。Yelland 和Dong 等人檢驗了貝葉斯預(yù)測模型在時尚需求預(yù)測中的適用性，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 等人對幾種適合預(yù)測單周期產(chǎn)品的方法進行了比較研究。由于缺乏歷史真實銷售數(shù)據(jù)，其使用了客戶預(yù)購的數(shù)據(jù)和其他來源的數(shù)據(jù)。他們指出，在一組基于預(yù)購的方法中，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)，對一小群特殊產(chǎn)品，專家判斷方法優(yōu)于先進的銷量預(yù)測方法[7]。Li 和Lim 等人提出了一種貪婪的聚合分解方法，該方法基于來自新加坡一家零售商的真實銷售數(shù)據(jù)庫，以解決間歇性需求預(yù)測問題。這種新的框架的層次預(yù)測工作表現(xiàn)出顯著優(yōu)于其他廣泛使用的間歇性需求預(yù)測方法[8]。

近年來，隨著大數(shù)據(jù)時代來臨與消費趨勢計算方法出現(xiàn)，基于機器學(xué)習(xí)和深度學(xué)習(xí)的預(yù)測方式受到越來越多人的關(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，創(chuàng)建了一個新的混合模型，利用期刊歷史數(shù)據(jù)預(yù)測顏色趨勢。灰色模型的目的是解決灰色系統(tǒng)經(jīng)常面臨已知和未知信息的不確定性的問題，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)的模式并進行預(yù)測[4]。Al-Halah 介紹了一種利用卷積神經(jīng)網(wǎng)絡(luò)和亞馬遜時尚產(chǎn)品數(shù)據(jù)預(yù)測視覺風(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間進行預(yù)測，預(yù)測性能在很大程度上取決于是否有足夠的歷史數(shù)據(jù)進行訓(xùn)練[11]。針對當(dāng)前時尚周期越來越短導(dǎo)致產(chǎn)品的銷售數(shù)據(jù)非常有限這一問題，Tisan 等人利用真實銷售數(shù)據(jù)對比了人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,ANN）、灰色模型（Grey Model,GM）和馬爾科夫機制轉(zhuǎn)換（Markov regime Switching,MS）在預(yù)測消費者對于色彩偏好的預(yù)測的性能[4]。

3 展望

基于人工智能的時尚趨勢預(yù)測的應(yīng)用仍處于早期階段，將來它可能徹底改變企業(yè)的運營方式。通過利用人工智能和社交媒體的力量，企業(yè)可以更準(zhǔn)確地了解下個季度甚至明年會流行的風(fēng)格，進而更準(zhǔn)確地生產(chǎn)出滿足消費者偏好的時尚產(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)進行訓(xùn)練都是其在被廣泛應(yīng)用之前需要解決的問題。