基于BP神經網絡的童裝流行元素預測

劉妍兵，劉倫倫，唐 穎,2

(1.江南大學 設計學院，江蘇 無錫 214122； 2.米蘭理工大學 設計學院，意大利 米蘭 20158)

近年來，隨著互聯網和大數據分析技術的普及與應用，智能計算工具在時尚界被廣泛應用[1]。目前，時尚流行趨勢預測的界定方法主要以定性方法為主，依賴經驗和直覺判斷流行趨勢，存在著一定的局限性和盲目性[2]。通過按照一定規則梳理和匯總童裝流行元素信息，建立數學分析模型，可量化童裝流行元素并加大其區分度，從而減少設計師在童裝設計中對主觀感覺和經驗的依賴，以達到依靠數據分析結果進行童裝流行元素預測的目的。長期以來，為了更好地解決定性預測法中設計決策錨定出現偏差等問題，許多研究以流行元素為研究對象，通過一定的數學工具，針對流行元素中可以量化的部分進行測量和分析。關于流行元素的理論預測模型中最具有代表性的主要有灰色系統理論[3]、人工神經網絡模型[4]和自回歸綜合移動平均值(ARIMA)[5]等傳統的數理統計模型。

人工神經網絡不僅具有很強的并行處理、自學習和自適應等能力，還擁有十分靈活的非線性建模功能。與統計數據處理模型不同，人工神經網絡不假設數據模式，只要有足夠的歷史數據點、使用適當的人工神經網絡結構，就可以預測任意數據模式。

本文以數據量化技術和BP神經網絡預測技術為理論基礎，初步建立了童裝流行元素預測模型，對童裝流行元素進行了綜合分析和預測。同時，為了改善傳統的BP神經網絡算法收斂速度慢、易陷入局部極小值等情況，在構建神經網絡中逐步增加訓練數據、隱藏單元優化算法。并加入1個動量項以降低誤差曲面局部細節的敏感性，克服網絡容易陷入局部極小的缺點、提高預測精度。在歷史數據很少的情況下做出合理的預測決策，輔助童裝設計師精準把握童裝流行方向。對于童裝設計生產過程中，童裝的流行趨勢預測具有實際意義。

1 BP神經網絡預測算法

BP神經網絡是一種有效的多層神經網絡學習方法，其特點是信號向前傳遞，誤差反向傳播，之后用這些誤差來調整神經元的權重，從而生成一個可以模擬出原始問題的人工神經網絡系統[6]。

童裝流行元素的變化受到人的主觀判斷(或稱為專家建議)和文化、經濟、政治等外部因素的影響。在高度波動的時尚銷售時間序列中可能沒有明顯的趨勢和周期，因此傳統模型在歷史數據很少的情況下做出合理的預測決策具有較大的挑戰。本文面對童裝流行元素預測領域中有限的歷史數據，對比分析后選擇BP人工神經網絡預測模型進行研究。

圖1為一個輸出變量的BP神經網絡的拓撲結構圖。在該網絡中，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或多個隱藏層由Zi來表示；Wij、Wjk分別表示輸入層到隱藏層、隱藏層到輸出層的連接權值。

圖1 BP神經網絡拓撲結構Fig.1 BP neural network topology

BP神經網絡典型算法的基本公式如下[7]：

(1)

(2)

式中：Xi為神經網絡輸入值；Yi為實際神經網絡輸出值；di為神經網絡的期望輸出值；Wijk為第i層第j個神經元到第i+1層第k個神經元連接權值；Oij為第i層第j個神經元輸出值；θij(或θij)為第i層第j神經元的閾值；netij為第i層第j個神經元總輸入。

BP算法基于誤差函數的梯度信息，當問題復雜或難以獲得梯度信息時，BP算法就會存在局部極小值。BP神經網絡的收斂性通常取決于經驗，學習因子和慣性因子的選擇也會影響BP神經網絡的收斂性。為了克服這些缺點、改善BP的收斂速度、提高神經網絡的泛化能力，在神經網絡的研究和設計中導入了許多優化算法。本文采取Rumelhart等[8]提出的逐步增加訓練數據和隱藏單元優化算法構建神經網絡，通過加入動量項，降低了誤差曲面局部細節的敏感性、克服網絡容易陷入局部極小的缺點，提高預測精度。計算當前誤差曲面的負梯度變化量與前一次迭代修正所采用的權值變化量的適當比例求和，獲得權值的變化量，計算公式見式(3)。

ΔW(t)=ηδO+αΔW(t-1)

(3)

式中：W為某層的權矩陣；η為學習率；α為加權和的權重；O為某層的輸出向量；δ為誤差項，即δ0是O的誤差值。

圖5表明了使用自適應閾值,檢測結果比整個圖像的固定閾值稍差。另一個方法嘗試通過調整閾值來改進SUSAN算法,結果亦能夠得到一定的改善。由于該類算法主要采集檢測建筑物邊緣和角點特征,所以,對其檢測步驟進行細化,能夠提高檢測準確度,消除虛假警報并恢復錯過的特征信息。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現建筑物特征點稀疏化的過程。

2 預測模型實現分析

2.1 童裝流行元素樣本數據庫建立與元素識別

在未來兒童服裝流行元素趨勢預測中，童裝的廓形數據、色彩數據、面料數據、輔料數據、圖案數據、工藝數據等時尚信息常被用作基礎的歷史數據庫。在現代社會中，童裝的流行受到社會文化和社會現象的影響，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，設計師們很難進行有效的流行元素識別。

針對這種情況，進行了童裝流行元素的提煉：把相關流行消息的相互影響結果嫁接在童裝產品的具體構成元素中去，找到各個領域之間的內部聯系，并從事物的意識形態和社會文化視角去審視童裝的流行要素，從而探索時尚的來源和實質，對童裝流行元素的發展趨勢進行更加準確的把握。本文從中國主要電商平臺的童裝品牌銷售數據、服裝市場數據中獲取樣本數據，從童裝流行元素的整體風格入手，行之有效地把童裝的流行元素逐一提取出來，并按照造型要素、款式要素、材料要素、色彩要素、圖案要素、結構要素、工藝要素、搭配要素和風格要素這九大類進行分類[9],流行元素識別的流程如圖2所示。

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

2.2 數據量化方法

量化可以將成千上萬的信息轉換成數據形式，是所有數據的核心[10]。在進行童裝流行元素量化研究過程中，采用虛擬變量的方法，對已分類的童裝流行元素進行量化，著重探討客觀購買行為與有關變量的因果關系和變量間的相關性。采用數值的形式分析童裝流行元素，為童裝設計提供一定科學性的參考。

量化研究包含幾個相互關聯的步驟，各個步驟環環相扣[11]。實現量化需要把已知的歷史數據量化成可參考、對比、分析、建模的數據資源。目前童裝設計所呈現的信息多且雜亂，利用海量信息概括出普遍規律、從而對童裝的流行元素進行預測是量化研究的核心問題之一。

本文的量化研究包括假設、實驗驗證和數據分析3個階段。第1階段通過制定研究目標、選取研究對象、分析相關變量作為整個量化研究的基礎。第2階段主要是多渠道客觀、科學地獲取實驗數據資料。第3階段是數據的計算機化分析，其主要目的是把看似雜亂無章的數據進行萃取、提煉，以找出童裝流行元素的內在關系。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 童裝流行元素預測流程

采用BP神經網絡模型預測童裝流行元素，圖4為BP神經網絡童裝流行元素主要預測流程。首先按照一定的規則將童裝流行元素進行匯總和梳理，以歷史銷售額占比作為反映流行程度的指標，采用虛擬變量的方法對分好類的童裝流行元素進行歸一化處理，使收集到的圖片和文字型數據轉化成為可以量化的數據；然后，以輸入、輸出矩陣的形式確定預測元素的樣本數據，且對數據樣本進行散點繪圖，對童裝流行元素的整體趨勢走向、規律、周期等形成初步判斷；接著對樣本數據網絡進行訓練，調整隱含層節點數，以BP神經網絡模型模擬預測結果，對童裝流行元素進行預測并輸出。最后，驗證和檢驗預測結果。

圖4 BP神經網絡童裝流行元素預測流程圖Fig.4 BP neural network children′s fashion element prediction flow chart

3 童裝流行色預測實例

表1 2000—2019年色相歷史數據Tab.1 Historical data of color hue from 2000 to 2019

原始數據中不同流行色對應的銷售額以及不同年份的銷售額之間存在量綱差異較大現象，針對建模過程中可能出現“大數吃小數”等造成最終預測模型解釋性和預測能力不足的現象，首先對原始數據進行歸一化處理，即將每年不同色彩元素銷售額數據樣本標準化為0～1區間內，得到一定的標準化之后的數據表格。2000—2019年色相歷史數據見表1。表格雖然可以對歷年不同色彩元素的銷售情況、流行程度進行精確描述，但是其信息呈現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律和整體特征，又繪制了不同色彩明度、純度每年銷售額占比的變化趨勢，以及其在過去20 年內的銷售額累積占比，不同明度銷售額占比變化見圖5,不同純度銷售額占比變化見圖6。

表1及圖5、6示出，銷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而變化且具有周期性。基于色相元素銷售情況變化周期基本為3年，將BP神經網絡的輸入節點選擇為3；明度的變化周期為4，純度變化周期為3，將明度和純度神經網絡訓練模型的輸入時間節點選擇為4和3。

基于上述數據進行BP神經網絡建模和預測，對色彩三要素的模型訓練過程如圖7所示。將已知信息和基于歷史數據中的流行色分析判斷作為先驗信息，對BP神經網絡建模預測效果進行參考和驗證。

圖5 不同明度銷售占比變化折線圖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 不同純度銷售占比變化折線圖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神經網絡模型結構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個模型均可以在有限步驟之內結束，且滿足在誤差允許范圍內。對色彩三要素訓練的性能曲線如圖8所示。

圖8 色彩三要素的BP神經網絡模型性能曲線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神經網絡模型誤差直方圖Fig.9 Error histogram of the BP neural network model for the three elements of colour.(a) Hue；(b) Lightness； (c)Purity

3個模型預測誤差直方圖如圖9所示。由圖9示出，模型誤差主要分布在0誤差線附近，而且近似呈現標準正態分布曲線，可以理解為影響色彩流行程度的不可測白噪聲因素。在預測建模領域，將不可控不可測的未知自變量納入噪聲因素，但是可以通過分析噪聲的分布類型來確定建模效果，根據大數定律和中心極限定理，變量一般服從正態分布。圖9中的均值為零的正態分布則表明模型精度較高且符合客觀事實?；谏鲜瞿Ｐ蛯?021—2022年秋冬童裝流行色的色相預測顯示，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%，具體結果如表2所示；對明度流行預測顯示，高明度流行度最強，占比為62.75%，中明度次之為21.91%，低明度為15.34%；對純度流行預測顯示，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年歷史數據訓練出的BP神經網絡預測模型的基礎上，對2021—2022年童裝流行色進行分析，發現2021—2022年秋冬較為流行的色相為：黃、黃紅、紅，與市場流行趨勢一致，表明2021—2022年秋冬流行色相具有繼承性且預測模型較為可靠。紅紫和藍綠2種色相的流行程度將在2021—2022年秋冬大幅提升，可作為市場營銷的指導信息，反映出人們對于色相追求更加多元化的潛在趨勢；高明度依舊是2021—2022年秋冬最流行的色彩特征，從側面體現了兒童對于鮮亮外表的追求心理；而純度流行趨勢則在2021—2022年秋冬將發生大幅變化，中純度將形成壓倒性流行態勢，這與當下童裝更替速率加快，大眾更愿意降低純度要求、提高了對其他元素要求的現象有關。

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

4 結束語

本文以數據量化技術和BP神經網絡預測技術為理論基礎，初步建立了童裝流行元素預測模型。利用童裝BP人工神經網絡預測模型，對童裝流行元素的整體趨勢走向、規律、周期等形成了初步判斷，之后選定色彩元素作為預測指標構建了預測模型實例，對樣本數據進行訓練，調整其隱含層節點數，以BP神經網絡模型模擬預測結果，從而對2021—2022年秋冬的流行色進行預測并輸出符合市場流行趨勢。該模型將人工智能和設計人員的經驗相結合，有助于幫助服裝設計師把握流行方向，對市場營銷和產品設計具有重要的參考價值和指導意義。