時尚行業的流行趨勢分析技術的概況

曾杰，周晉，陳雨*

（1.四川大學電子信息學院智能控制研究所，四川 成都 610065;2.四川大學制革清潔技術國家工程實驗室，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。新的時尚就是創新，但時尚通常被認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到另一個季節的風格有一個可感知的進展的過程，進而產生一個可以被識別的流行趨勢。流行趨勢預測既是這樣一個用來分析和預測隱藏在時尚進化過程背后的推動力的工程。在時尚界，流行趨勢預測不僅是一門科學，同時也是一門藝術[1]。因為預測者不光需要系統建模和使用概率論等數學知識定量的預測未來的趨勢，還需要具有良好的直覺、判斷力和創造力。過去，研究者通常使用統計學的方法來預測流行趨勢，近年來，隨著深度神經網絡的發展，越來越多的研究者將人工智能應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

流行趨勢預測通常分為兩種類型：短期預測和長期預測[2]。

短期預測：其中短期預測關注未來一到兩年內的新產品的色彩、風格等流行元素。短期預測主要用于幫助公司提高短期銷售額。短期預測可以通過產品演變分析來確定未來的趨勢，然后討論如何從顏色、紡織品和風格方面預測未來的產品。消費者明年打算買什么是許多時尚專業人士心中的一個中心問題，隨著新時尚的發展，認識到產品隨著時間的推移的轉變，可以幫助預測未來的時尚產品的方向。分析產品的演變可以跨產品類別進行，也可以在一個類別內進行，當分析時間跨度時，時尚專業人士會分析連續幾年的產品樣本。例如，研究女裝裙子長度的變化或男裝肩部形狀的變化，可以幫助預測該產品在下一季的變化；然后分析師可以確定特定產品類別的趨勢。頂級設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性的流行趨勢方向[3]。

長期預測：主要關注未來五年或更長時間的時尚產業方向，長期預測幫助公司評估當前的商業實踐、重新定位產品或重新考慮產品與客戶的關系、制定戰略計劃、理解和評估短期預測。預測者考慮了許多因素，如重組社會的人口結構變化、產業和市場結構的變化、消費者利益、價值觀和動機的差異、技術和科學突破、經濟狀況的變化，以及國家之間政治、文化和經濟聯盟的改變嘗試。大多數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系。長期趨勢發現必須持續地、系統地進行，才能有效。例如Keiser 等人根據其長期研究提出的隨著科技的高速發展，越來越多的業務通過互聯網和電話進行，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休閑裝的趨勢轉變[3]。

2 流行趨勢預測技術

預測技術通常表示對于時間序列的預測。不管它們的最終目的是什么，這一領域的各種技術都有一個共同的目標，即從函數和輸入序列的估計中獲得可靠和準確的輸出序列。時間序列技術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、季節性等實際意義常數，絕大多數情況下，由滯后的時間序列來解釋這種預測。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，其使用了更復雜的傳遞函數以獲得更好的結果。

過去，時尚界的大多數預測嚴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致決策偏差[3]。由于時尚界在預測技術上的工程需求，促使研究者在歷史數據很少的情況下，考察不同的預測模型在預測鞋類時尚趨勢方面的表現。在歷史數據豐富的情況下，前人針對時尚產品的特定性質（如顏色和風格）利用各種預測方法對流行趨勢進行了研究[4]（圖2）。

大多數時裝銷售預測是通過統計方法來完成的。其中包括線性回歸、移動平均、加權平均、指數平滑（當有趨勢但不是線性時使用）、有趨勢的指數平滑、雙指數平滑、貝葉斯分析等。ARIMA、SARIMA 等統計時間序列分析工具被廣泛應用于銷售預測[5]。由于這些方法具有封閉的預測表達式，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測模型在時尚需求預測中的適用性，其結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果[6]。Mostard 等人對幾種適合預測單周期產品的方法進行了比較研究。由于缺乏歷史真實銷售數據，其使用了客戶預購的數據和其他來源的數據。他們指出，在一組基于預購的方法中，一種新穎的“頂翻式”方法表現得更好。此外他們還發現，對一小群特殊產品，專家判斷方法優于先進的銷量預測方法[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據庫，以解決間歇性需求預測問題。這種新的框架的層次預測工作表現出顯著優于其他廣泛使用的間歇性需求預測方法[8]。

近年來，隨著大數據時代來臨與消費趨勢計算方法出現，基于機器學習和深度學習的預測方式受到越來越多人的關注[9]。Choi 等人將灰色模型和神經網絡模型結合起來，創建了一個新的混合模型，利用期刊歷史數據預測顏色趨勢。灰色模型的目的是解決灰色系統經常面臨已知和未知信息的不確定性的問題，而神經網絡模型模仿生物神經網絡的結構，“學習”數據的模式并進行預測[4]。Al-Halah 介紹了一種利用卷積神經網絡和亞馬遜時尚產品數據預測視覺風格流行度的方法[10]。Xia 等人提出了經典方法（基于數學和統計模型）與現代啟發式方法的區別，并指出人工智能方法通常需要大量的時間進行預測，預測性能在很大程度上取決于是否有足夠的歷史數據進行訓練[11]。針對當前時尚周期越來越短導致產品的銷售數據非常有限這一問題，Tisan 等人利用真實銷售數據對比了人工神經網絡（ArtificialNeuralNetwork,ANN）、灰色模型（Grey Model,GM）和馬爾科夫機制轉換（Markov regime Switching,MS）在預測消費者對于色彩偏好的預測的性能[4]。

3 展望

基于人工智能的時尚趨勢預測的應用仍處于早期階段，將來它可能徹底改變企業的運營方式。通過利用人工智能和社交媒體的力量，企業可以更準確地了解下個季度甚至明年會流行的風格，進而更準確地生產出滿足消費者偏好的時尚產品。雖然人工智能分析方法表現出了優異的性能，但其對外表現為黑盒的模型以及需要超大規模的數據進行訓練都是其在被廣泛應用之前需要解決的問題。