基于ANSYS的人体下肢服装压虚拟仿真预测

为研究人体下肢各层组织在服装压作用下产生的形变和应力分布情况,利用16层螺旋CT仪及Mimics软件获取人体下肢分层三维模型,用ANSYS构建有限元模型预测服装压对皮肤层、其它软组织层和肌肉层产生的位移形变;在人体下肢选择44个压力采集部位,对实测服装压与预测服装压进行相关性分析。结果表明:在服装压作用下,人体下肢各层的形变主要分布在大腿内侧,形变分布最少区域为小腿前侧;皮肤层形变最大值为2.73×10^(-2)mm,其它软组织层形变最大值为5.19×10^(-4)mm,肌肉层形变最大值为7.30×10^(-5)mm;皮肤能抵消的最大形变值约为2.73×10^(-3)mm,低于这个值的形变量在皮肤层以外的地方无法测得;人体下肢各面所受到的应力分布与形变分布整体一致,由大到小依次为内侧、后侧、前侧、外侧;服装压预测数据和实测数据的多重相关系数拟合优度为1,二者之间具有极其明显的相关性,说明所建立的服装压预测分层模型可用来预测服装压对皮肤、其它软组织和肌肉的形变。

基于层次化多模态注意力机制循环神经网络的服装新品销售预测

在新服装产品销售预测任务中,由于缺乏历史销售数据,通常需要充分利用其他模态的数据作为补充。然而,多模态服装数据通常具有冗余性和异构性。为解决这些问题,提出一种包括三个主要元素的层次化多模态注意力循环神经网络(hierarchical multi-modal attention based recurrent neural network,HMA-RNN)。层次化结构将高层语义信息与低层语义信息分离,以避免信息冗余。在模态融合阶段引入多模态注意力机制(multi-modal attention,MMA)以减轻固有的数据不对齐问题。采用共享注意力机制构建跨多模态数据的依赖关系。在Visuelle 2.0数据集上的试验结果表明,所提出的方法加权平均百分比误差(weighted average percentage error,WAPE)为72.07,平均绝对误差(mean absolute error,MAE)为0.80,明显优于现有的方法,表明了该研究所提出的方法的有效性。

大数据背景下基于BP神经网络的跨境电商皮革服装销量预测

为提高大数据背景下跨境电商皮革服装销量预测的精度,本文提出一种基于BP神经网络模型的预测方法。方法以BP神经网络为基础预测模型,通过采用遗传算法优化BP神经网络的初始权值阈值与网络结构,克服BP神经网络收敛速度慢和容易陷入局部最优的问题。采用遗传算法优化的BP神经网络构建预测模型,用于跨境电商皮革服装销量预测,提高了皮革服装销量预测的精度。仿真结果表明,相较于改进前的标准BP神经网络与ARMA模型、Grey Model模型和改进Grey Model模型,所提的遗传算法改进BP神经网络模型的平均绝对误差、平方和误差、均方误差更小,更能反映真实的跨境电商皮革服装销售趋势,具有一定的实际应用价值。

服装销售预测技术的新发展

在分析了服装销售预测领域现状的基础上,阐述了数据挖掘技术对该领域的推动作用,并通过实例说明了基于数据挖掘的服装销售预测流程。

基于变分自编码器的三维服装变形预测方法

传统的服装动画制作方法依托于专业的布料仿真平台,需要美工或动画师编辑,时间和人力成本通常很高.通过半自动化的方法进行服装动画制作,只需要根据输入的高层参数,即可快速生成逼真的服装动画,不仅可以降低服装动画制作的技术门槛和创作成本,也有利于动画师更多地关注动画内容本身,进而得到丰富的动画效果.基于此,提出了一种基于变分自编码器的服装变形预测方法.首先,选取涵盖多种姿态的人体运动序列构建人体模型,并通过物理仿真的方式生成服装变形数据;其次,利用变分自编码器学习服装变形数据在隐空间上的概率分布模型,并引入拉普拉斯坐标变换保证生成服装的褶皱细节;然后,进一步在隐空间概率分布上引入约束条件控制服装的生成效果;最后,通过穿透修正获取逼真的服装变形效果.在AMASS数据集上基于不同体型、不同运动序列的数据开展实验,并从视觉预测效果和顶点偏移误差2个角度分析实验结果,结果表明,所提方法具有较小的服装重建误差,且可生成满足姿态、体型和时序等多种约束的服装变形效果,从而辅助动画师进行理想服装变形效果生成.

在线开放课程建设——以服装流行分析与预测为例

在互联网时代背景下,国家级精品在线开放课程服装流行分析与预测是一门解读时尚的过去、现在与未来的课程。该文基于这一课程的教学理念、目标、学情分析、在线教学策略等,从多层次探索时尚设计类网络课程在社会背景下的课程建设方式方法。新兴传播媒介更新了时尚消费群体与品牌运营方式,也对在线开放课程提出了新的要求。同时,如何进一步建设大范围、可持续在线课程共建共享机制,值得相关教育者反思。

基于聚类分析和决策树算法的服装销售预测模型

服装生产企业需要了解市场需求的变化趋势,以做出正确的生产和销售决策。因此,对服装销售状况进行准确的预测,成为企业有效制定发展战略的重要依托。服装的销售受销售渠道、地域、文化、经济等众多因素的影响,呈现复杂的非线性特征,导致需求预测难度较大。本文综合考虑各种影响因素,结合聚类分析和CART决策树算法构建销售预测模型,既实现了较高的预测精度,又可转化为易于理解的规则。最后以某服装运营企业为例验证了方法的有效性和可解释性。

服装销售定量预测方法研究进展

服装销售预测是服装企业商品企划中必不可少的环节之一。为有效帮助服装商品企划人员及相关学者根据实际情况快速选择合适的服装销售预测方法,对时间序列法、回归分析法、灰色预测模型及人工神经网络4类定量销售预测方法从优缺点、优化历程及适用类型3个方面进行梳理总结,并对机器学习的部分组合算法进行举例与归纳。分析得出:时间序列法适用于历史数据离散程度小且影响因素少的短中期服装销售预测;回归分析法中多元回归法比一元回归法在算理上更适合具有多因素影响的服装销售预测;灰色预测模型适用于数据平滑且影响因素较少的服装销售预测;人工神经网络则适合销售数据离散程度大的时尚型服装销售预测。

基于Prophet算法的快销服装销售预测

准确的销售预测可以帮助企业制定正确的营销策略以减小企业在经营过程的损失。由于快销服装行业的特殊性,产品生命周期通常较短且销售受诸多非线性因素影响,传统的销售预测模型精准度往往差强人意。论文基于Prophet算法的基础上,优化时间序列分解的各因式项,结合电商平台历年的销售数据,依据产品生命周期特性构建模型,结果表明,改进后的Prophet算法模型预测准确性高于传统模型,且耗时有所降低。

基于Prophet算法的服装面料需求预测研究

针对目前服装面料需求数据周期非确定性导致预测精度差的问题,提出一种基于Prophet算法的服装面料需求预测模型。通过分析服装面料需求历史数据的时间序列特征构建Prophet模型,使用M公司面料数据集设计Prophet与LSTM的对比实验,并采用RMES以及MAE作为评价指标。实验结果表明:相比于LSTM,Prophet模型具有较高的预测精度且有效提升了服装面料需求时间序列预测的准确性。

基于LSTM神经网络的短期服装销量预测

为了获得精度更高的服装销量预测结果,提出一种基于LSTM神经网络的服装销量预测方法。LSTM神经网络具有较好的非线性和自适应特性,可以更好地挖掘时序数据中的时序特征和非线性特征,从而获得更加符合实际的预测结果值。使用某服装企业的服装销量时间序列数据集训练LSTM模型,设计与经典时间序列预测模型ARIMA的对比实验。实验结果表明,该模型能够有效提升服装销量预测任务的精度。

基于RFID技术的服装款式流行趋势预测系统

服装款式流行趋势预测在服装行业中有着重要地位,服装生产企业把握流行趋势可以获得巨大的收益,消费者也可以根据趋势挑选心仪的服装。针对服装行业的市场需求,将RFID技术的标签和移动平均法引入服装款式流行趋势预测系统中,通过对服装款式数据的采集、分析相关的数据并进行预测,降低传统的主观判断服装款式流行趋势的失误率。本系统将流行趋势的预测结果通过设计开发出的移动端App直观地展现给服装企业和消费者,大大降低了预测成本,提高了预测的效率和准确率。

基于改进GM(1,1)模型的服装配货决策研究

服装产品配货决策影响服装的销售量、企业的服务水平,为制定合理的配货决策,服装企业需建立高精度的预测模型。文章建立了改进GM(1,1)模型,优化了GM(1,1)模型的背景值和初始值,并引入已销售产品的影响因子和干扰因子。以某服装品牌的销售数据为出发点,采用改进GM(1,1)模型对服装品类进行销售预测,预测结果表明:该模型适用于服装销售预测,且准确度较好,可为服装企业的配货决策提供理论依据和技术参考。

基于改进报童模型的服装定价订货策略研究

以服装销售链中最优定价和计划生产量为研究目标,采用数据挖掘方法对各类不同服装进行聚类分析,对每一品类服装建立销售预测的拟合方程,建立了一个服装销售中的定价订货策略制定体系。在报童模型方面,对经典报童模型进行分析,结合定价和生产两方面因素,建立零售商的最优订货量和生产商的定价订货策略,然后利用改进的报童模型进行定价订货策略的制定,最后结合拟合方程应用到改进报童模型中,通过实例验证,所建立的体系具有较好的效果。

基于极限学习机神经网络的买断制加盟模式订货决策

随着服装市场和服装品牌的不断成熟以及人们对服装需求的日益多样化,买断制加盟模式成为具有一定市场知名度的品牌服装的选择,这给加盟商订货决策带来了一定的风险。为了更好地完成订货采购任务,加盟商需根据自己店铺的历史销售数据进行预测,以确定订货会的订货量并制定采购预算。以预测某品牌加盟商夏季每月每个品类的销售量为出发点构建模型,采用极限学习机神经网络的方法进行销售预测,并将预测结果以图表的形式进行展示,为服装加盟商订货决策及采购预算的确定提供理论支持。

基于关键点注意力和通道注意力的服装分类算法

提出了一个基于关键点注意力机制与通道注意力机制相结合的深度神经网络,用于解决服装关键点检测、类别分类和属性预测等3个方面的问题。网络通过对输入特征图进行卷积提取特征、反卷积恢复特征图大小以及加入非局部连接结构获得关键点之间的联系等一系列操作来预测服装关键点,进而得到关键点注意力。关键点注意力模块强调了服装中有辨别性区域的特征,进而得到新的特征图。此外,通道注意力模块增加了对分类和属性预测影响更大的特征图的权重。在DeepFashion数据集上的实验结果表明:本文方法较当前已有方法有效提高了类别分类的准确率和属性预测的召回率。