王洛濤

[摘要]近幾十年來，信息技術有著跨越式的發(fā)展，家紡行業(yè)與互聯(lián)網(wǎng)等信息新技術的融合也不斷深入。這也直接導致了有關家紡行業(yè)、企業(yè)以及產(chǎn)品等不同層次的“信息”呈現(xiàn)爆炸性增長，這些數(shù)據(jù)信息也具有復雜、多樣的特點。在利用這些數(shù)據(jù)做相關分析時，莊往存在難以處理大量、“關系復雜”數(shù)據(jù)的難題，使得由互聯(lián)網(wǎng)等信息新技術得到的數(shù)據(jù)無法快速、準確的轉化為有用信息。為了有效解決上述難題，本文試圖構建一種基于大數(shù)據(jù)分析的家紡行業(yè)發(fā)展預測定量研究。

[關鍵詞]大數(shù)據(jù)方法 家紡行業(yè) 發(fā)展預測

一、引言

隨著互聯(lián)網(wǎng)技術手段的不斷發(fā)展以及信息技術的廣泛普及，基于信息技術而產(chǎn)生的數(shù)據(jù)量，隨時間呈現(xiàn)指數(shù)增長的態(tài)勢，這類“爆炸性”的海量數(shù)據(jù)被學界稱為大數(shù)據(jù)。大數(shù)據(jù)的主要5個特點可以用“5V”來表示，即Volume（數(shù)據(jù)規(guī)模大）、Variety（數(shù)據(jù)的種類多樣）、Velocity（高速的數(shù)據(jù)）、Veracity（數(shù)據(jù)的真實性）以及Value（數(shù)據(jù)的價值）。也正式由于大數(shù)據(jù)具有上述五個特點，其在家紡行業(yè)的分析、預測中具有極大應用前景，可以有效解決家紡行業(yè)定性分析、預測的不準確性擠以及片面性。

本文首先利用大數(shù)據(jù)平臺處理家紡數(shù)據(jù)，進而對預測對象的確定和量化，最后詳細介紹時間序列分解方法、回歸分析法、BP神經(jīng)網(wǎng)絡方法以及灰色系統(tǒng)方法，為大數(shù)據(jù)方法在家紡行業(yè)發(fā)展預測中的應用提供了一定參考。

二、利用大數(shù)據(jù)平臺處理家紡數(shù)據(jù)

利用大數(shù)據(jù)平臺處理家紡數(shù)據(jù)主要分為以下幾個步驟：1、搭建Hadoop平臺；2、采用HDFS系統(tǒng)分級分層次存儲數(shù)據(jù)；3、利用Map Reduce架構計算相關的“大數(shù)據(jù)”；4、將有用數(shù)據(jù)提取出來。其中，HDFS系統(tǒng)存儲數(shù)據(jù)以及數(shù)據(jù)的提取是主要難題。

HDFS的是Hadoop Distribute File System的縮寫。它一種基于Hadoop的分布式文件系統(tǒng)。HDFS主要是通過網(wǎng)絡連接的方式，存儲并高速閱讀TB級別的文件。HDFS方法對文件的寫操作一次性完成，可以多次讀出。其缺點也很明顯，即相關文件一旦“寫”好以后就難以修改。一般來說，家紡行業(yè)相關數(shù)據(jù)存儲的“橫坐標”通常為時間（即流行趨勢），采用Map過程會從HDFS數(shù)據(jù)中獲取研究對象有關數(shù)據(jù)并進行預處理，然后將其傳遞給系統(tǒng)預定的reduce函數(shù)進行充分的計算以后，輸出與研究對象有關的結果。

三、預測對象的確定和量化

影響家紡流行的因素形形色色、多種多樣，比如家紡的色彩、各地風俗以及款式設計等相關因素以及天氣等無關因素。前人的研究表明，色彩是家紡行業(yè)流行中最明顯的一個因素，一方面是因為服飾等潮流對家紡行業(yè)印象最直接的就是顏色，另一方面是因為消費者往往第一眼看到的就是顏色。為此，本文以色彩作為研究因素的代表。

關于家紡的顏色分類，不同國家、不同研究機構、不同廠家具有不同的分類模式、方法。比如在市場所處的國家方面，美國、歐洲（主要是法國和意大利）、日本以及中國每年的流行顏色具有一定的差異，甚至同一國家不同地區(qū)在每年的流行色方面都具有一定的差異。比如基于CNCS色彩體系的流行色趨勢數(shù)據(jù)（中國發(fā)布）、基于PANTONE色彩體系的流行色趨勢數(shù)據(jù)（美國發(fā)布）等等。

為了更加全面、快速、有效的借助大數(shù)據(jù)方法定量分析家紡行業(yè)色彩趨勢，具體顏色分類以及數(shù)據(jù)的選擇應該根據(jù)研究的范圍來確定。比如，研究國內(nèi)的家紡行業(yè)色彩趨勢，就應采用由中國發(fā)布的家紡流行顏色相關數(shù)據(jù)。

四、家紡流行趨勢預測模型

家紡流行趨勢預測模型的選擇和構建，是借助大數(shù)據(jù)方法定量分析家紡行業(yè)色彩趨勢方法中的核心問題。預測模型是否準確、合理，直接關系到能否從海量數(shù)據(jù)中找到與研究問題有關的數(shù)據(jù)信息。目前可以借鑒的方法主要有以下四種：時間序列分解方法、回歸分析法、BP神經(jīng)網(wǎng)絡方法以及灰色系統(tǒng)方法。本節(jié)將重點闡述四種方法的基本原理和優(yōu)缺點。

4.4時間序列分解方法

基于時間序列分解法的預測模型，主要是將可能的影響因素根據(jù)作用時間的長短關系分成四大類：短期因素、長期因素，周期因素以及隨機因素。由于各因素之間的相互關系、相互作用復雜，于是該方法不考慮各個因素之間影響，重點研究每個因素和時間之間的單一作用關系。

4.2回歸分析法

回歸分析方法，主要對收集到的數(shù)據(jù)采用數(shù)學統(tǒng)計的方法建立不同變量之間的相互影響關系，進而完成有關預測的。常用的數(shù)學回歸模型很多，比如直線方程、指數(shù)方程等。但是，回歸分析方法存在一個嚴重的弊端，就是需要提供的各因素的數(shù)據(jù)都是“有效數(shù)據(jù)”，而實際有關家紡色彩的海量數(shù)據(jù)絕大部分都是無效數(shù)據(jù)，即該方法的魯棒性差。

4.3 BP神經(jīng)網(wǎng)絡方法

BP（Back Propagation）神經(jīng)網(wǎng)絡法中的BP是“BackPropagation”的簡稱。BP神經(jīng)網(wǎng)絡法，與回歸分析方法截然想法，它可以在不確定各因素之間的相互作用關系的前提下，可以模擬人腦的思維，通過“學習”的方式獲得輸入量與輸出量之間的邏輯關系。BP神經(jīng)網(wǎng)絡的判斷方式是使網(wǎng)絡的誤差平方和最小來確定最有可能的相互作用關系。一般來說，一個完整的BP體系應該包括以下三個層次：輸入層、隱含層以及輸出層。BP方法有較高的容錯能力，在部分“神經(jīng)元”出現(xiàn)錯誤或者部分信息缺失時，仍然能進行學習，推斷未來的趨勢并進行判斷。但BP法也存在部分不足，主要表現(xiàn)為：1、計算時可能陷入局部最小化而無法尋找到全局最優(yōu)解；2、BP網(wǎng)絡結構的選擇不同導致預測結果出現(xiàn)一定的差異；3、BP方法仍然存在一定程度的樣本依賴問題。

4.4灰色系統(tǒng)方法

灰色預測法是用灰色系統(tǒng)模型對未知系統(tǒng)進行的定量預測。運用灰色預測法，首先要對比各影響因素之間變化發(fā)展的差異性，然后對原始數(shù)據(jù)進行處理來發(fā)現(xiàn)變化規(guī)律，重新排列生成有新的數(shù)據(jù)序列，隨后建立相應的微分方程模型，最終達到預測某研究因素隨時間的變化規(guī)律。與BP神經(jīng)網(wǎng)絡方法不同的是，灰色系統(tǒng)模型對收集到的數(shù)據(jù)的數(shù)量以及數(shù)據(jù)關系木有特殊要求。

五、結論

伴隨著信息技術的大發(fā)展，家紡行業(yè)與互聯(lián)網(wǎng)等信息新技術的融合也不斷深入。使得學者們有機會利用大數(shù)據(jù)來定量分析家紡行業(yè)發(fā)展預測，以避免傳統(tǒng)的定性預測方法預測結果不準確、過于片面的難題。但是使用大數(shù)據(jù)來定量分析時，也有由互聯(lián)網(wǎng)等信息新技術得到的數(shù)據(jù)無法快速、準確的轉化為有用信息的巨大困難。為了有效解決上述難題，本文試圖構建一種基于大數(shù)據(jù)分析的家紡行業(yè)發(fā)展預測定量研究方法，首先利用大數(shù)據(jù)平臺處理家紡數(shù)據(jù)，進而對預測對象的確定和量化，最后利用時間序列分解方法、回歸分析法、BP神經(jīng)網(wǎng)絡方法以及灰色系統(tǒng)方法等預測模型完成預測分。本文提供的思路，對大數(shù)據(jù)方法在家紡行業(yè)發(fā)展預測中的應用提供了一些有益的思考，具有一定的參考價值。