基于數據挖掘的服裝流行色預測

江莎莉

摘 要： 針對傳統服裝流行色預測模型精度低、結果不可靠的問題，設計了一種基于數據挖掘的服裝流行色預測模型。首先對當前國內外對服裝流行色預測現狀進行分析，并采集服裝流行色數據；然后對服裝流行色數據進行聚類處理，并采用數據挖掘技術建立服裝流行色預測模型；最后將該模型應用于具體的服裝流行色預測中。該模型可以很好地發現服裝流行色的變化趨勢，預測結果可靠，可以為服裝企業和服裝設計師提供有價值的參考信息。

關鍵詞： 服裝設計； 流行色； 數據挖掘； 預測模型； 預測誤差； 聚類處理

中圖分類號： TN911.1?34； TP181 文獻標識碼： A 文章編號： 1004?373X（2018）03?0092?04

Abstract： In view of the low accuracy and unreliable result of the traditional clothing fashion color forecast model， a clothing fashion color prediction model based on data mining was designed. The current status of the clothing fashion color prediction at home and abroad is analyzed， and the clothing fashion color data is acquired. The clustering was performed for the clothing fashion color data， and the data mining technology is adopted to establish the clothing fashion color prediction model. The model was applied to the specific clothing fashion color prediction. The model can find out the change trend of clothing fashion color， and has reliable prediction result， which can provide the valuable reference information for clothing enterprises and fashion designers.

Keywords： clothing design； fashion color； data mining； prediction model； prediction error； clustering

0 引 言

隨著我國經濟的快速發展，人們生活水平得到大幅度改善，人們更加喜歡時尚朝流的服裝，而流行色是服裝中人們最為關注的一個方面，同時，服裝流行色直接影響服裝企業的生產和營銷，預測結果可以幫助企業把握服裝流行色未來的變化態勢，因此，如何建立高精度、客觀的服裝流行色預測模型已經是服裝行業的重大研究課題[1?2]。

最原始的服裝流行色預測模型是通過一些專業人員根據自己的經驗進行預測，該方法得到的預測結果與專業人員經驗的豐富度密切相關，預測結果極不可信，而且預測結果盲目性十分嚴重[3]。隨著計算機技術的不斷發展，出現了許多自動、智能的服裝流行色預測模型，如采用統計學理論中的回歸分析模型法建立服裝流行色預測模型，由于服裝流行色受到人們心理因素的影響，而且心理具有一定的波動性，因此，服裝流行色變化具有偶然性、周期性，回歸分析模型難以對它們建立準確的預測模型，預測結果不理想[4]。隨后出現了灰色系統、神經網絡等服裝流行色預測模型[5?6]，它們的預測結果得到了改善。在實際應用中，灰色系統只能對服裝流行色的單一變化趨勢進行預測，如上升趨勢，但是服裝流行色有時可能會出現下降趨勢，并且受到不同年齡段影響，波動起伏比較大，因此建模的局限性十分明顯[7]。

神經網絡的建模能力相當強大，是當前服裝流行色主要的建模方法，但是需要大量的服裝流行色歷史樣本，不然無法對服裝流行色的變化特點進行高精度建模，而服裝流行色的歷史數據通常相當少，各因素之間相互影響，因此，神經網絡的服裝流行色預測結果不穩定，有時預測精度高，有時預測精度低，實際應用價值不高[8?10]。

數據挖掘技術是最近發展起來的現代統計學建模方法，包括聚類分析、不同類型支持向量機等[11]，為服裝流行色的建模提供了一種方法。針對傳統服裝流行色預測模型精度低、結果不可靠的問題，設計了一種基于數據挖掘的服裝流行色預測模型，首先采集服裝流行色數據；然后對服裝流行色數據進行處理，并采用數據挖掘技術建立服裝流行色預測模型，最后將該模型應用于具體的服裝流行色預測中，測試其有效性。

1 數據挖掘技術

1.1 模糊聚類分類算法

模糊C均值聚類算法是一種常用的數據挖掘技術，它可以將數據劃分為不同的類別，這樣可以將其應用到服裝流行色的建模中，根據預測點選擇最優的服裝流行色訓練樣本集。對于個樣本：xi（i=1，2，…，n），它們可以分為c類，通過計算每一類的聚類中心，然后根據相似性指標即隸屬度，得到不同類中的樣本。全部樣本的隸屬度總和為1，即：

那么模糊聚類分析算法的目標函數計算公式為：

式中：表示第類的聚類中心；表示第類和第類的聚類中心間的距離；表示加權指數。

根據模糊聚類分析的思想，可建立如下新目標函數：

式中表示拉格朗日乘子。

對全部參量求導，可以得到：

式（4）和式（5）是模糊聚類算法的兩個必要條件，通過不斷的迭代，得到最優的聚類中心，實現樣本的分類，可以減少樣本的規模。endprint

1.2 支持向量機

支持向量機也是一種新型的數據挖掘技術，服裝流行色的數據為：（），那么支持向量機的估計函數為：

式中和表示相關向量。

為了簡化服裝流行色預測的過程，加快訓練速度，建立如下的優化函數：

式中：表示松弛因子；表示回歸誤差的懲罰程度。

通過建立如下拉格朗日函數得到一個二次優化問題：

2 數據挖掘的服裝流行色預測模型

2.1 服裝流行色數據的收集以及處理

針對具體服裝流行色問題，通過相關統計文獻收集其歷史數據，由于服裝流行色受到許多因素作用，其會對服裝流行色建模過程產生負面影響，為了消除該負面影響，對服裝流行色數據進行如下歸一化處理：

式中為處理后的服裝流行色數據。

2.2 服裝流行色樣本的聚類分析

由于服裝流行色的預測樣本與其他樣本之間存在一定的關系，與有的樣本關系密切，與有的樣本關系不密切，如果將全部歷史樣本輸入到支持向量機進行建模，不僅難以獲得高精度的服裝流行色預測模型，而且影響服裝流行色的建模效率，為此，本文采用模糊聚類分析算法對處理后的服裝流行色數據進行聚類，選與預測點關系比較密切的樣本構建訓練樣本，刪除其他作用不大的樣本，減少訓練樣本的規模。

2.3 服裝流行色的預測模型

將服裝流行色的訓練集輸入到支持向量機建模，得到的預測模型為：

對于未來時刻的服裝流行色，其預測值為：

2.4 服裝流行色的反歸一化

由于服裝流行色經過了歸一化處理，因此，最后的服裝流行色預測結果需要進行反歸一化操作，具體為：

2.5 服裝流行色預測模型的工作流程

基于數據挖掘的服裝流行色預測模型的工作思想為：首先收集服裝流行色歷史數據，然后采用糊模聚類分析選擇與預測點相近的數據構成訓練樣本集，最后采用支持向量機服裝流行色訓練樣本進行學習，建立服裝流行色預測模型，具體如圖1所示。

3 服裝流行色的預測實例

3.1 數據來源

為了測試基于數據挖掘的服裝流行色預測模型的性能，選擇1997—2016年的服裝流行色中的紅色、藍色、紫色數據作為研究對象，它們具體如圖2所示。

3.2 數據挖掘的服裝流行色預測結果

采用上述服裝流行色預測的建模過程，對圖2中的數據建立服裝流行色預測模型，并采用20個數據對模型的性能進行分析，結果如圖3所示。

對圖3的預測結果進行分析可以發現，數據挖掘技術通過模糊聚類分析算法對服裝流行色數據進行聚類，可以找到與預測點密切相關的訓練樣本集，通過支持向量機對服裝流行色的變化特點進行擬合，建立高精度的服裝流行色預測模型。

3.3 與其他服裝流行色預測模型的性能對比

為了全面分析基于數據挖掘的服裝流行色預測模型的優越性，選擇當前比較經典的模型作為對比模型，分別為：回歸分析模型、灰色模型、文獻[10]的神經網絡以及文獻[11]中的服裝流行色預測模型。以平均預測精度作為評價指標，每一種模型執行10次，各種模型的服裝流行色平均預測精度如表1所示。

從表1的服裝流行色平均預測精度可以發現，本文模型的服裝流行色平均預測精度要遠遠高于其他服裝流行色平均預測模型，可以更好地發現服裝流行色的變化趨勢，預測結果的優勢十分明顯。

3.4 未來服裝流行色預測

選擇常用的7種服裝顏色作為預測對象，采用數據挖掘技術對它們進行建模與預測，結果如圖4所示，對圖4的各種預測值進行對比分析可知，紅色、藍色作為2017年的服裝流行色，預測結果可以為服裝設計師和服務企業提供有用的信息。

4 結 語

服裝流行色的預測結果可以幫助服裝企業和設計師掌握未來流行色的相關信息，為了客觀、準確地對服裝流行色進行預測，結合服裝流行色的變化特點，設計了基于數據挖掘的服裝流行色預測模型。研究結果表明，該模型可以大幅度降低服裝流行色的預測誤差，能夠把握服務流行色的變化趨勢，可以對服裝流行色的不確定性進行準確擬合，預測結果可以為服裝銷售、生產提供有用的信息，為復雜多變的服裝流行色提供了一種研究思路。

參考文獻

[1] 劉國聯，江影.基于穿著者感性認知的服裝款式感性研究[J].紡織學報，2007，28（11）：101?105.

LIU Guolian， JIANG Ying. Study on Kansei of fashion style based on human sensibility [J]. Journal of textile research， 2007， 28（11）： 101?105.

[2] 張戰天.流行色在服裝設計中的應用[J].藝術科技，2014（6）：128.

ZHANG Zhantian. The application of fashion color in fashion design [J]. Art science and technology， 2014（6）： 128.

[3] 楊陳.服飾流行色影響因素研究分析[J].染整技術，2017，39（1）：78?50.

YANG Chen. Analysis of influencing factors of fashion color [J]. Textile dyeing and finishing journal， 2017， 39（1）： 78?50.

[4] 周琴.用回歸分析法預測服裝流行色[J].絲綢，2005（2）：35?37.

ZHOU Qin. Prediction of fashion colors by regression analysis [J]. Silk journal， 2005（2）： 35?37.endprint

[5] 吳志明，李熠.服裝流行色的色彩意向灰色預測[J].紡織學報，2009，30（4）：94?99.

WU Zhiming， LI Yi. Clothing fashion color image scale grey forecast [J]. Journal of textile research， 2009， 30（4）： 94?99.

[6] 李熠，吳志明.基于灰色系統論的服裝流行色預測研究[J].紡織科技進展，2007（4）：77?80.

LI Yi， WU Zhiming. Clothing popular colors forecast studies based on gray system theory [J]. Progress in textile science & technology， 2007（4）： 77?80.

[7] 常麗霞，高衛東，潘如如，等.灰色GM（1，1）模型在國際春夏服裝流行色色相預測中的應用[J].紡織學報，2015，36（4）：128?133.

CHANG Lixia， GAO Weidong， PAN Ruru， et al. Hue prediction on Intercolor for women′s spring/summer using GM（1， 1） models [J]. Journal of textile research， 2015， 36（4）： 128?133.

[8] 吳艷，洪文進，史雅杰.應用數字量化的毛衫流行色趨勢預測方法[J].毛紡科技，2016，44（12）：62?66.

WU Yan， HONG Wenjin， SHI Yajie. Study on knitwear trend forecast based on popular elements of digital quantitative [J]. Wool textile journal， 2016， 44（12）： 62?66.

[9] 狄宏靜，劉冬云，吳志明.基于 BP 神經網絡的春夏女裝流行色預測[J].紡織學報，2011，32（7）：111?117.

DI Hongjing， LIU Dongyun， WU Zhiming. Forecast of women′s spring/summer fashion color based on BP neural networks [J]. Journal of textile research， 2011， 32（7）： 111?117.

[10] 吳也哲，翟永超，孫莉.基于灰色前饋神經網絡的流行色預測[J].東華大學學報（自然科學版），2011，37（2）：199?204.

WU Yezhe， ZHAI Yongchao， SUN Li. A fashion color forecast based on gray back propagation neural network model [J]. Journal of Donghua University （natural science）， 2011， 37（2）： 199?204.

[11] 孫文林，沈捷.基于FRS?SVM的工業數據挖掘研究[J].計算機應用與化學，2014，31（8）：951?954.

SUN Wenlin， SHEN Jie. Research of the industrial data mining based on FRS?SVM [J]. Computers and applied chemistry， 2014， 31（8）： 951?954.endprint