一种基于人工智能和大数据的服装销售预测方法及系统转让专利
申请号 : CN202111034433.5
文献号 : CN113506144B
文献日 : 2021-12-03
发明人 : 郑妙春 , 李锦莲
申请人 : 海门市创睿机械有限公司
摘要 :
权利要求 :
1.一种基于人工智能和大数据的服装销售预测方法,其特征在于,所述方法包括:获得多张包含不同服装单品搭配的服装搭配图像;将所述服装搭配图像送入预先训练好的服装分析神经网络中输出服装风格和每个服装单品的特征向量;将所述特征向量映射至二维空间中作为坐标,以对应的所述服装风格作为元素值构建每个服装单品的风格特征分布图;
获得多个网络平台中的服装信息和网络平台用户量;所述服装信息包括服装风格情感倾向、服装单品情感倾向、服装风格评价点赞数、服装单品评价点赞数和服装单品销量;根据所述服装风格评价点赞数、所述网络平台用户量和所述服装风格情感倾向获得服装风格热度;根据所述单品评价点赞数、所述网络平台用户量、所述服装单品情感倾向和所述服装单品销量获得服装单品热度;
根据像素值对所述风格特征分布图进行聚类,获得所述风格特征分布图的聚类中心;
根据所述服装单品热度和所述服装风格热度重置所述风格特征分布图对应位置的像素值,获得每个服装单品的服装单品热度图;根据所述聚类中心校准更新所有所述服装单品热度图获得标准服装单品热度图;
根据所述标准服装单品热度图获得预测服装销量。
2.根据权利要求1所述的一种基于人工智能和大数据的服装销售预测方法,其特征在于,所述将所述服装搭配图像送入预先训练好的服装分析神经网络中输出每个服装单品的特征向量和对应的服装风格包括:
所述服装分析神经网络通过第一服装分割子网络分割所述服装搭配图像,获得多张服装单品图像;将每个所述服装单品图像送入对应的服装分析编码器中,获得每个所述服装单品的所述特征向量;将所述特征向量合并后送入全连接层,输出所述服装风格。
3.根据权利要求2所述的一种基于人工智能和大数据的服装销售预测方法,其特征在于,所述服装分析神经网络还包括:以多张服装搭配图像作为训练组;获得训练组的所述特征向量和所述服装风格;根据所述训练组内所述特征向量间的距离构建距离矩阵;根据所述训练组内所述服装风格的差异构建标准矩阵;以所述距离矩阵和所述标准矩阵的差调整损失函数的损失值;根据所述损失函数训练所述服装分析神经网络。
4.根据权利要求3所述的一种基于人工智能和大数据的服装销售预测方法,其特征在于,所述损失函数包括:
其中, 为所述训练组内所述服装搭配图像的数量,为所述服装单品的数量, 为第个所述距离矩阵, 为所述标准矩阵, 为所述训练组中第 张所述服装搭配图像属于所述服装风格 的真实概率, 所述训练组中第 张所述服装搭配图像属于所述服装风格 的预测概率,为所述服装风格类别数。
5.根据权利要求1所述的一种基于人工智能和大数据的服装销售预测方法,其特征在于,所述根据所述服装风格评价点赞数、所述网络平台用户量和所述服装风格情感倾向获得服装风格热度包括:
以每个所述网络平台中的所述服装风格评价点赞数与所述网络平台用户量的比值作为服装风格评价热度;以所述服装风格评价热度和所述服装风格情感倾向的乘积作为所述服装风格在所述网络平台上的第一初始服装风格热度;
以每个所述网络平台用户量和所有所述网络平台中最大所述网络平台用户量的比值作为所述网络平台的质量评估值;以所述质量评估值与所述第一初始服装风格热度的乘积作为第二初始服装风格热度;将所有网络平台对应的所述第二初始服装风格热度累加,获得所述服装风格热度。
6.根据权利要求5所述的一种基于人工智能和大数据的服装销售预测方法,其特征在于,所述根据所述单品评价点赞数、所述网络平台用户量、所述服装单品情感倾向所述服装单品销量获得服装单品热度:
以每个所述网络平台中的所述服装单品评价点赞数与所述网络平台用户量的比值作为服装单品评价热度;以所述服装单品评价热度和所述服装单品情感倾向的乘积作为所述服装单品在所述网络平台上的第一初始服装单品热度;
以所述服装单品销量和所述网络平台的用户量的比值作为销量评估值;以所述质量评估值、销量评估值与所述第一初始服装单品热度的乘积作为第二初始服装单品热度;将所有网络平台对应的所述第二初始服装单品热度累加,获得所述服装单品热度。
7.根据权利要求1所述的一种基于人工智能和大数据的服装销售预测方法,其特征在于,所述根据所述服装单品热度和所述服装风格热度重置所述风格特征分布图对应位置的像素值,获得每个服装单品的服装单品热度图包括:将所述风格特征分布图中对应位置处的像素值设置为所述服装单品热度和所述服装风格热度的乘积;利用高斯卷积核处理每个像素点,获得所述服装单品热度图。
8.根据权利要求1所述的一种基于人工智能和大数据的服装销售预测方法,其特征在于,所述根据所述聚类中心校准更新所有所述服装单品热度图获得标准服装单品热度图包括:
获得每个所述服装单品热度图中像素点与所有所述聚类中心的距离关系;根据不同所述服装单品热度图之间的所述距离关系的差异获得匹配像素点组;以所述匹配像素点组的像素值均值重置所述服装单品热度图中对应位置的像素点;遍历所有像素点完成更新,获得标准服装单品热度图。
9.根据权利要求1所述的一种基于人工智能和大数据的服装销售预测方法,其特征在于,所述根据所述标准服装单品热度图预测服装销量包括:通过历史数据获得未来服装单品销量与所述标准服装单品热度图中对应热度值的销售关系;将商铺在售服装单品图像送入所述服装分析神经网络中,获得在售服装单品特征向量;通过所述在售服装单品特征向量获得所述标准服装单品热度图中对应位置的在售热度值,根据所述销售关系和所述在售热度值获得所述预测服装销量。
10.一种基于人工智能和大数据的服装销售预测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1 9任意一项所述方法的步骤。
~
说明书 :
一种基于人工智能和大数据的服装销售预测方法及系统
技术领域
背景技术
平台的发帖等都会对服装的销量产生影响。
社交媒体数据之间的关系构建数学模型对服装销量进行预测。但是该方法忽略了商铺不同
风格服装与社交媒体中服装之间的差异,使最终得到的预测结果误差较大。且没有考虑服
装单品之间因为搭配关系造成的销量影响,不能为商家提供可靠的指导信息。
发明内容
映射至二维空间中作为坐标,以对应的所述服装风格作为元素值构建每个服装单品的风格
特征分布图;
量;根据所述服装风格评价点赞数、所述网络平台用户量和所述服装风格情感倾向获得服
装风格热度;根据所述单品评价点赞数、所述网络平台用户量、所述服装单品情感倾向和所
述服装单品销量获得服装单品热度;
据所述聚类中心校准更新所有所述服装单品热度图获得标准服装单品热度图;
服装单品的所述特征向量;将所述特征向量合并后送入全连接层,输出所述服装风格。
的差异构建标准矩阵;以所述距离矩阵和所述标准矩阵的差调整损失函数的损失值;根据
所述损失函数训练所述服装分析神经网络。
于所述服装风格 的真实概率, 所述训练组中第 张所述服装搭配图像属于所述服装风
格 的预测概率,为所述服装风格类别数。
所述服装风格在所述网络平台上的第一初始服装风格热度;
乘积作为第二初始服装风格热度;将所有网络平台对应的所述第二初始服装风格热度累
加,获得所述服装风格热度。
所述服装单品在所述网络平台上的第一初始服装单品热度;
将所有网络平台对应的所述第二初始服装单品热度累加,获得所述服装单品热度。
组的像素值均值重置所述服装单品热度图中对应位置的像素点;遍历所有像素点完成更
新,获得标准服装单品热度图。
特征向量;通过所述在售服装单品特征向量获得所述标准服装单品热度图中对应位置的在
售热度值,根据所述销售关系和所述在售热度值获得所述预测服装销量。
述处理器执行所述计算机程序时实现任意一项所述一种基于人工智能和大数据的服装销
售预测方法的步骤。
通过特征向量与热度之间的结合获得服装单品热度图,利用特征向量表示服装单品信息,
消除了商铺信息和网络平台之间的差异,使得后续预测的服装销量可靠性强,准确率高。
热度图考虑了服装单品的搭配情况,结合了不同服装单品的热度,使得标准服装单品热度
图可以全面的表示服装单品销量热度。
附图说明
仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,
还可以根据这些附图获得其它附图。
具体实施方式
法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一
个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特
征、结构、或特点可由任何合适形式组合。
映射至二维空间中作为坐标,以对应的服装风格作为元素值构建每个服装单品的风格特征
分布图。
服装搭配图像都对应着一种服装风格。将服装搭配图像送入预先训练好的服装分析神经网
络中输出服装风格和每个服装单品的特征向量。在本发明实施例中,以上装、下装和鞋子三
种服装单品进行分析。请参阅图2,其示出了本发明一个实施例提供的服装分析神经网络结
构示意图,服装分析神经网络具体包括:
中提取特征,通过服装分割解码器102输出服装单品分割图。以服装单品分割图作为遮罩对
服装搭配图像进行相乘,获得上装、下装和对应的服装单品图像。在本发明实施例中,第一
服装分割子网络采用中心遮罩网络(Center Mask),在其他实施例中可根据具体情况选用
其他网络。
编码器105,分别对应着上装、下装和裤子。三种服装分析编码器为并行分布,结构相同。三
种服装分析编码器将对应的服装图像映射至三种不同的特征空间。不同的特征空间可以保
障后续服装风格分类的准确性。将三个特征向量经过通道合并操作后送入全连接层106,输
出服装风格。在本发明实施例中,特征向量的尺寸为两行一列。
损失值。在训练过程中设置批尺寸 ,即每次输入 张服装搭配图像作为一组训练组。在本
发明实施例中 为48。经过网络处理后获得训练组内每个服装搭配图像的特征向量和服装
风格。即每张服装搭配图像都可以获得三个特征向量和一个服装风格。根据训练组内特征
向量间的距离构建距离矩阵,距离矩阵中 行 列的值表示第 张服装搭配图像和第 张服
装搭配图像特征向量之间的距离。根据所述训练组内所述服装风格的差异构建标准矩阵。
在本发明实施例中,若第 张服装搭配图像和第 张服装搭配图像的服装风格相同,则标准
矩阵中 行 列的值为0;反之为5。即获得了三种距离矩阵和一种标准矩阵。以距离矩阵和
标准矩阵的差调整损失函数的损失值。根据损失函数利用梯度下降方法不断迭代更新服装
分析神经网络的参数。损失函数包括两部分,第一部分为距离度量损失,保障了相同服装风
格的服装单品特征向量较近,不同服装风格的特征向量间隔较远,通过数学建模方法拟合
出距离度量损失项引入网络中;第二部分为现有损失函数中常用的分类损失,保障服装风
格分类准确性。损失函数具体包括:
测概率。为服装风格类别数。
评价点赞数和服装风格情感倾向获得服装风格热度;根据网络平台的用户量和服装风格热
度获得服装风格热度;根据单品评价点赞数和服装单品情感倾向获得服装单品热度;根据
网络平台的用户量、服装单品销量和服装单品热度获得服装单品热度。
信息包括服装风格情感倾向、服装单品情感倾向、服装风格评价点赞数、服装单品评价点赞
数和服装单品销量。需要说明是,服装信息中的服装风格与步骤S1中通过图像信息获得的
服装风格一致。
为积极、中立和消极三种,分别量化为1、0和‑1。需要说明的是,文本情感分析技术可分为基
于神经网络和基于语料库两种方法实现,在其他实施例中可自由选用合适的文本情感分析
技术。
风格评价热度为 。结合所有服装评价热度和情感分析结果,可以表示出在一个网络平台
上该服装风格的用户倾向和用户热度,因此以服装风格评价热度和服装风格情感倾向的乘
积作为服装风格在网络平台上的第一初始服装风格热度,记第 个服装风格在第 个网络平
台上的第一初始服装风格热度为 。即 ,其中 表示第 个服装风格在第
个网络平台上所有评价的集合。
值表示一个网络平台的质量规模。以质量评估值作为第一初始服装风格热度的权重,以质
量评估值和第一初始服装风格热度乘积作为第二初始服装风格热度。一个服装风格在每个
网络平台中都对应一个第二初始服装风格热度。将所有网络平台对应的第二初始服装风格
热度累加,获得服装风格热度。
的第一初始服装单品热度。以服装单品销量和网络平台的用户量的比值作为销量评估值。
以销量评估值和质量评估值作为第一初始服装单品热度的权重,以质量评估值、销量评估
值与第一初始服装单品热度的乘积作为第二初始服装单品热度。将所有网络平台对应的第
二初始服装单品热度累加,获得服装单品热度。
心校准更新所有服装单品热度图获得标准服装单品热度图。
卷积核处理每个像素点,获得服装单品热度图。服装单品热度图中利用特征向量表示服装
单品的位置消除了商铺信息与网络平台信息的差异。
度对服装单品热度图进行更新,可以得到准确的不同类型服装的热度,从而得到准确的销
量预测结果。
得到多个聚类中心。每个聚类中心对应一个服装风格类别。因为不同服装单品对应的特征
向量的特征空间不同,因此不同风格特征分布图的聚类中心不同,为了正确表示不同服装
单品之间的搭配关联性,需要根据聚类中心位置关系对服装单品热度图进行校准更新,具
体包括:
匹配像素点组;以匹配像素点组的像素值均值重置服装单品热度图中对应位置的像素点;
遍历所有像素点完成更新,获得标准服装单品热度图。
服装风格种类,为服装风格类别数, 为服装风格 在第 种服装单品热度图中的聚类中
心点, 为服装单品 与服装风格 在第 种服装单品热度图中的聚类中心点的欧式
距离。
种服装单品热度图中的距离关系。目标函数通过每个服装单品热度图中像素点与聚类中心
的距离关系的差异,在其他两种服装单品热度图中寻找匹配像素点组成匹配像素点组。将
匹配像素点组对应的高斯热斑范围内的像素值求均值,利用均值重置第 种和第 种服装
单品热度图中的像素值,遍历第 种服装单品热度图中所有像素点对其他两种服装单品热
度图的更新。按照同样方法分别利用第 种服装单品热度图和第 种服装单品热度图完成
对其他两种服装单品分布图的更新。
通过在售服装单品特征向量获得标准服装单品热度图中对应位置的在售热度值,根据销售
关系和在售热度值获得预测服装销量。
包括: ,其中, 为预测服装销量,为服装热度图中的热度值,、为拟合参
数, 。
平台数据获得服装风格热度和服装单品热度。根据服装风格热度和服装单品热度重置风格
特征分布图对应位置的像素值,获得每个服装单品的服装单品热度图,通过每个风格特征
分布图的聚类中心对服装单品热度图进行校准更新,获得标准服装单品热度图。根据标准
服装单品热度图获得预测服装销量。
计算机程序时实现任意一项一种基于人工智能和大数据的服装销售预测方法的步骤。
些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且
仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连
续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者
可能是有利的。