【技術實現步驟摘要】
本專利技術屬于服裝設計與制造，具體涉及一種服裝流行趨勢預測方法。
技術介紹
1、近年來，隨著“互聯網”“大數據”不斷優化、升級，直接導致整個服裝市場的環境、營銷、渠道、生產、設計，發生了翻天覆地的變化，服裝的流行周期已從過往以年月為單位逐漸過渡到以周為單位。為提高市場競爭力，滿足消費者需求以及推動創新和實現可持續發展，服裝制造業市場迫切地需要對服裝的流行趨勢進行精準預測。
2、現有技術條件下，通常采用通用網絡爬蟲技術結合深度/廣度優先策略依次訪問各級網頁，無選擇性抓取互聯網上的海量服裝數據，繼而構建數據庫作為預測分析的數據源，進行基于時間維度的流行趨勢預測；采用基于erp的服裝設計管理技術構建獨立的服裝設計素材庫進行服裝設計管理。但該方法無法精確獲取服裝的紋理、面料、色彩、版型等高維特征數據，由于數據維度的缺失，導致預測結果準確性和可參照性不高。
技術實現思路
1、本專利技術提供了一種服裝流行趨勢預測方法解決上述提到的技術問題，具體采用如下的技術方案：
2、一種服裝流行趨勢預測方法，包括以下步驟：
3、步驟1，收集歷史服裝銷售數據得到原始銷售數據；
4、步驟2，對步驟1所得到的原始銷售數據進行預處理；
5、步驟3，將步驟2預處理后的數據進行ceemdan分解；
6、步驟4，將步驟3分解得到的imfs特征進行降維，以消除imfs特征的相關性與冗余性；
7、步驟5，利用步驟4降維后的imfs特征與日銷售
8、步驟6，利用步驟5得到的時間序列數據集進行transformer預測模型的訓練；
9、步驟7，利用步驟6訓練好的transformer模型進行未來數天的服裝日銷售量預測，并輸出服裝日銷售量的預測數據。
10、進一步地，所述步驟1具體如下：
11、步驟1.1，通過網絡爬蟲技術，獲取目標平臺近200天的服裝銷售數據，銷售數據包含商品的日銷售量、退貨率、商品價格、平臺搜索量以及日均溫度、日降水量。其中退貨率、商品價格、平臺搜索量以及日均溫度、日降水量為輸入特征，日銷售量則作為真實標簽，共得到n組數據，n表示所要獲取的服裝類別數。
12、進一步地，所述步驟2具體如下：
13、步驟2.1，對原始銷售進行數據清洗；
14、步驟2.2，對原始銷售進行數據歸一化。
15、進一步地，采用線性插值法對原始銷售進行數據清洗，采用最小-最大歸一化對數據進行歸一化。
16、進一步地，所述步驟3具體如下：
17、步驟3.1，在待分解序列x(t)中添加k次均值為0的高斯白噪聲，構造共k次實驗的待分解序列；
18、步驟3.2，對上述序列進行emd分解，分解得到第1個模態分量，并取其均值作為ceemdan分解得到的第1個imf特征，將原始序列減去imf分量得到殘差序列；
19、步驟3.3，將分解后得到的第?j?階段殘差序列添加特定噪聲后作為原始序列，繼續進行emd分解；
20、步驟3.4，如果滿足emd停止條件，第?n?次分解的余量信號為單調信號，則迭代停止，ceemdan算法分解結束。
21、進一步地，所述步驟4具體如下：
22、步驟4.1，將ceemdan分解后的特征序列按列組成n行m列的特征矩陣x，n表示ceemdan分解后的特征序列維度，m表示每個特征序列具有的特征數量；
23、步驟4.2，選擇核函數；
24、步驟4.3，計算核矩陣；
25、步驟4.4，將核矩陣k按列或按行進行中心化，得到中心化核矩陣；
26、步驟4.5，對中心化后的核矩陣k進行特征值分解，得到特征值和特征向量，選擇前k個最大的特征值所對應的特征向量作為主成分，以此構建新的降維空間；
27、步驟4.6，將原始數據投影到新的特征空間，得到降維后的特征矩陣y，y的每一行即為降維后的特征序列。
28、進一步地，核函數為余弦核函數。
29、進一步地，所述步驟5具體如下：
30、步驟5.1，利用降維后的imfs特征與日銷售量的真實標簽構建時間序列預測數據集；
31、步驟5.2，將時間序列數據集劃分為訓練集和測試集，劃分比例為8：2。
32、進一步地，所述步驟6具體如下：
33、步驟6.1，設定transformer模型的參數，包括編碼器層數、解碼器層數和多頭注意力機制的頭數，并初始化模型；
34、步驟6.2，選擇合適的損失函數和優化器，利用訓練集進行多輪訓練。
35、進一步地，所述步驟7具體如下：
36、步驟7.1，使用測試集輸入到訓練完成的transformer模型，對未來數天的服裝銷量進行預測；
37、步驟7.2，輸出未來數天的服裝銷量預測數據。
38、本專利技術的有益之處在于所提供的服裝流行趨勢預測方法，通過收集網站的服裝購物信息，通過深度學習方法預測服裝的日銷售量，實現對服裝流行趨勢的精準預測和實時預測，為服裝制造產業鏈提前進行技術與市場布局提供有效參照，降低企業運營風險。
39、本專利技術的有益之處還在于所提供的服裝流行趨勢預測方法，結合ceemdan分解，將復雜的非線性和非平穩時間序列分解為一組固有模態函數（imfs），以分離信號中的不同頻率成分，使得每個imf更具代表性和物理意義。并可減少數據噪聲，突出數據中的有用信息，提高數據的質量和模型的預測精度。
40、本專利技術的有益之處還在于所提供的服裝流行趨勢預測方法，利用核主成分分析（kpca）在高維特征空間中找到主成分，從而降低了數據維度，并保留數據的主要特征和結構，去除了冗余信息和噪聲。并大幅降低了計算復雜度，提高模型的訓練速度和效率。
41、本專利技術的有益之處還在于所提供的服裝流行趨勢預測方法，使用的transformer模型在處理長序列數據和捕捉復雜時序關系方面具有顯著優勢。并通過自注意力機制，可以有效捕捉時間序列中的長時間依賴關系。而且與傳統的循環神經網絡（如lstm、gru）相比，transformer模型可以進行并行計算，大大加快了訓練速度。
本文檔來自技高網...【技術保護點】
1.一種服裝流行趨勢預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種服裝流行趨勢預測方法，其特征在于，
3.根據權利要求1所述的一種服裝流行趨勢預測方法；其特征在于，
4.根據權利要求1所述的一種服裝流行趨勢預測方法，其特征在于，
5.根據權利要求1所述的一種服裝流行趨勢預測方法，其特征在于，
6.根據權利要求1所述的一種服裝流行趨勢預測方法，其特征在于，
7.根據權利要求6所述的一種服裝流行趨勢預測方法，其特征在于，
8.根據權利要求1所述的一種服裝流行趨勢預測方法，其特征在于，
9.根據權利要求8所述的一種服裝流行趨勢預測方法，其特征在于，
10.根據權利要求9所述的一種服裝流行趨勢預測方法，其特征在于，
【技術特征摘要】
1.一種服裝流行趨勢預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種服裝流行趨勢預測方法，其特征在于，
3.根據權利要求1所述的一種服裝流行趨勢預測方法；其特征在于，
4.根據權利要求1所述的一種服裝流行趨勢預測方法，其特征在于，
5.根據權利要求1所述的一種服裝流行趨勢預測方法，其特征在于，
【專利技術屬性】
技術研發人員：鄭澤宇，溫苗苗，何治，向忠，周光寶，劉麗嫻，
申請(專利權)人：杭州知衣科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。