[发明专利]一种基于改进Transformer模型的时尚趋势预测方法

说明书

本发明涉及一种基于改进Transformer模型的时尚趋势预测方法，本发明构建了一个从社交平台上的大量时尚图像中提取出的服装特征并包含着用户信息的时尚趋势数据集，随后将包含所收集数据的平台上的多种用户信息和不同时尚元素的趋势序列分别进行预处理，可以有效的利用这些多元的信息，并构建了一个基于Transformer的预测模型CPFT，为了避免长序列的趋势数据预测带来的庞大计算量，对自注意力机制进行优化，将其时间复杂度由O(n²)减少到O(logn)，此外，本发明设计了一个新的损失函数，可以考虑不同时尚元素间的关联信息，对时尚元素间的复杂关联信息细致描述，以更精确的对时尚趋势进行预测。

技术领域

本发明涉及图像预测方法领域，具体涉及的是一种基于改进 Transformer模型的时尚趋势预测方法。

背景技术

伴随着时尚业界近几年来的迅速发展，出现了越来越多围绕着时尚行业 的研究工作，时尚趋势预测是这其中的重点之一。掌握时尚趋势的发展，不 仅可以帮助企业更好的发展，还可以帮助消费者做出选择。人们为了准确预 测出未来的时尚趋势，预测人员收集了消费者的生活习惯，不同的地理因素， 文化差异等不同角度的信息，这些工作是有效的，但是在现如今这个受互联 网影响的社会里，要想准确预测时尚趋势离不开社交平台带来的大量信息。

时尚趋势预测也与时间序列预测问题密切相关，该问题旨在根据历史观 察预测未来。一般来说，在深度学习领域谈论时间序列预测时，首先会使用 RNN模型，RNN一般以序列数据为输入,通过网络内部的结构设计可以有效 捕捉序列之间的关系特征,一般也是以序列形式进行输出。循环神经网络是 公认的适合序列数据的序列模型。但RNN在网络深化时存在梯度消失和梯度 爆炸的问题，随后出现了诸如GRU，LSTM等模型去解决这些问题。

时尚趋势的预测不仅仅和所采用的预测模型特点和能力有关，还需结合 这些复杂的时尚元素关联着的多种信息，如社交媒体，地区文化等等内容相 关。多近年来，时尚趋势预测的引起了各界的广泛关注，R.He的协同过滤 推荐系统通过考虑时尚的时间动态而得到增强，定性证据表明它可以捕捉过 去物品的流行变化(即夏威夷衬衫在2009年后变得流行)。K.Chen的一项 研究寻找了新潮时装秀中流行的属性与后来在街上看到的属性之间的相关 性。Al Halah等人提出了一种时尚趋势预测模型，该模型使用非负矩阵分解 (NMF)来发现时尚风格，并提出了一种指数平滑模型来预测风格的未来。 随后Mall等人探索了非常具体的时尚元素，并试图找到详细的时尚趋势。 他们用线性和周期性成分的基本组合对每个目标元素的时尚趋势信号进行 建模，这些成分能够捕捉粗水平趋势和细尺度峰值。

Al Halah等人在2020年的全新工作中使用的模型发现了超越简单相关 性的有趣的时尚影响模式，分析了多个维度轴上的影响，以发现本地和全球 有影响力的参与者。Yunshan Ma等人构建一个大规模时尚趋势数据集，并使 用KERN模型利用了深度递归神经网络在建模时间序列数据方面的能力，结 合了了时尚领域中影响时尚元素趋势的时间序列模式的内部和外部知识进 一步增强了深度学习模型在捕捉特定时尚元素的模式和预测未来趋势方面 的能力。Wei-Lin Hsiao等人数据驱动的方法来识别影响人们穿着的特定文化因素。利用跨越一个世纪的大规模新闻文章和经典照片数据集，提出了一 个多模式统计模型，以检测世界上发生的事情与人们的服装选择之间的影响 关系。

发明内容

本发明要解决的技术问题是针对以上问题和要求，提供一种基于改进Transformer模型的时尚趋势预测方法。

为解决以上技术问题，本发明采用以下技术方案：

一种基于改进Transformer模型的时尚趋势预测方法，包括以下步骤：

步骤1、建立CPF数据集，所述CPF数据集中的每个样本数据均包括时 尚趋势数据和每个时尚趋势数据对应的用户信息；