CC BY
4
технология материалов и изделии текстильнои и легкой промышленности
моделирование динамики изменения и методы прогнозирования модных элементов женской одежды
Абдукаримова Машхура Абдураимовна
д-р техн. наук, профессор Национальный институт художеств и дизайна имени Камолиддина Бехзода,
Узбекистан, г. Ташкент E-mail: [email protected], Узбекистан, Ташкент
Усманова Наргиза Алимжоновна
соискатель,
Национальный институт художеств и дизайна имени Камолиддина Бехзода,
Узбекистан, г. Ташкент E-mail: usmanovanargiza68@gmail. com,
Лутфуллаев Рустам Ахмедович
канд. физ.-мат. наук,
Национальный институт художеств и дизайна имени Камолиддина Бехзода,
Узбекистан, г. Ташкент E-mail: lutfullaevr@mail. ru
model of dynamics of change and methods for forecasting fashion elements of women's clothing
Mashkhura Abdukarimova
Professor, (DSc),
National Institute of Art and Design named after Kamoliddin Behzod,
Uzbekistan, Tashkent
Nargiza Usmanova
Independent researcher, National Institute of Art and Design named after Kamoliddin Behzod,
Uzbekistan, Tashkent
Rustam Lutfullaev
Candidate of Physical and Mathematical Sciences, National Institute of Art and Design named after Kamoliddin Behzod,
Uzbekistan, Tashkent
АННОТАЦИЯ
Современные подходы в прогнозировании спроса отличаются значительным разнообразием, при этом существуют проблемы в сложности прогнозирования из-за изменчивости модных трендов и необходимости интеграции больших данных. Предложены модели прогнозирования модных элементов женского платья на основе моделирования динамики изменения конструктивно-композиционных элементов, базирующихся на данных об изменении трендов за длительный период. Для моделирования динамики изменения и прогнозирования временных рядов конструктивно-композиционных элементов женского платья предлагается авторегрессионная модель первого порядка. В соответствии с предложенной моделью был выполнен расчет динамики изменения различных видов формы, силуэта, длины изделия в 2000-2024гг. На основе графика трендов видов элементов за изученный 25-летний период разработан модель прогнозирования модных элементов женского платья. Предложенные модели прогнозирования модных элементов может стать важным инструментом для повышения конкурентоспособности брендов.
Библиографическое описание: Абдукаримова М.А., Усманова Н.А., Лутфуллаев Р.А. МОДЕЛИРОВАНИЕ ДИНАМИКИ ИЗМЕНЕНИЯ И МЕТОДЫ ПРОГНОЗИРОВАНИЯ МОДНЫХ ЭЛЕМЕНТОВ ЖЕНСКОЙ ОДЕЖДЫ // Universum: технические науки : электрон. научн. журн. 2025. 1(130). URL:
https://7universum.com/ru/tech/archive/item/19185
• 7uni versum.com
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ_январь. 2025 г.
ABSTRACT
Modern approaches to demand forecasting are characterized by significant diversity, with challenges arising from the variability of fashion trends and the need to integrate big data. Models for forecasting fashion elements of women's dresses based on modeling the dynamics of changes in structural and compositional elements, grounded in long-term trend data, have been proposed. For modeling the dynamics of changes and forecasting time series of structural and compositional elements of women's dresses, a first-order autoregressive model is suggested. According to this proposed model, calculations of the dynamics of changes in various types of shape, silhouette, and length of the garment from 2000 to 2024 have been carried out. Based on the trend graphs of the types of elements over the studied 25-year period, a forecasting model for fashion elements of women's dresses has been developed. The proposed forecasting models for fashion elements can become an important tool for enhancing the competitiveness of brands.
Ключевые слова: промышленная коллекция, женские платья, конструктивно-композиционные элементы, моделирования динамики модных элементов, прогнозирования модных тенденций.
Keywords: industrial collection, women's dresses, structural and compositional elements, modeling the dynamics of fashion elements, forecasting fashion trends.
Введение
Производство и проектирование промышленных коллекций одежды — это сложный и многослойный процесс, который связан с множеством проблем, требующий учета как внутренних (производство, логистика, позиционирование), так и внешних факторов (тренды, потребительские предпочтения, сезонность). Для успешного решения этих проблем необходимо постоянно адаптироваться к изменениям рынка, оптимизировать цепочки поставок, внедрять инновации и учитывать современные социальные и экологические требования.
Трудности с прогнозированием спроса являются одной из ключевых проблем. Покупатели могут неожиданно изменить свои предпочтения под влиянием внешних факторов (экономические кризисы, изменение модных тенденций, влияние социальных сетей и лидеров мнений). Быстро меняющиеся тренды создают проблемы для производителей, которые могут оказаться с устаревшими коллекциями, если не удастся точно предсказать, что будет популярно в следующем сезоне. Устаревший ассортимент приводит к снижению продаж и необходимости уценки товаров, к увеличению складских расходов на хранение или потеря выручки из-за отсутствия востребованной продукции.
Ошибки в прогнозировании могут привести к созданию неактуальной продукции. Длительный процесс разработки коллекций также способствует задержки коллекции на рынок, утрате актуальности дизайнов из-за изменения трендов во время разработки. Эффективное управление ассортиментом требует сочетания различных методов формирования промышленных коллекций в зависимости от специфики рынка и стратегии компании. Важно учитывать несколько ключевых подходов и методов прогнозирования спроса, предложенных в швейной области. Шрайбфедер (Schreibfeder) — предложил статистический метод прогнозирования спроса, включающий такие техники, как экспоненциальное сглаживание и авторегрессия. Эти методы позволяют учитывать сезонность и сменяемые факторы спроса для повышения точности прогнозов [1].
Веблен (Veblen) — в своих трудах описал "статусное потребление", которое играет важную роль в спросе на модные товары. Подход важен для анализа потребительского поведения в модной индустрии [2]. Анализ социологических и маркетинговых данных — в исследованиях отмечено, что ключевыми факторами в прогнозировании спроса являются культурологические и типологические характеристики потребителей (возраст, пол, доход). Например, эти подходы активно изучались в контексте модной индустрии для разработки базовых коллекций GoodsForecast — платформа на основе искусственного интеллекта для интегрированного планирования, которая демонстрирует современные инновационные подходы к прогнозированию спроса. Использование таких технологий сокращает риски недопоставок или перепроизводства [3].
В швейной промышленности в настоящее время широко применяются методы изучения потребительских предпочтений по художественно-конструктивным признакам (ХКП) внешнего вида моделей одежды с помощью опроса-интервью потребителей, разработанные в МГУДТ [4]. Они дают представление о теоретических покупательских предпочтениях, но полученные данные могут значительно расходиться с характеристиками фактически проданной продукции, поскольку предпочтения покупателей в момент совершения покупки изделий часто не соответствуют пожеланиям, высказанными ими при опросе [5]. В этой связи опрос покупателей на предмет их предпочтения нельзя рассматривать как залог гарантии реализации проектируемых изделий.
Целью статьи является разработка метода прогнозирования модных элементов женской одежды на основе моделирования временных рядов изменения конструкивно-композиционных
элементов платьев, базирующихся на данных об изменении трендов за длительный период.
Материалы и методы
Современные подходы в прогнозировании спроса отличаются значительным разнообразием,
А. 7universum.com
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
при этом существуют проблемы в сложности прогнозирования из-за изменчивости модных трендов и необходимости интеграции больших данных. Быстрое устаревание моделей одежды затрудняет разработку точных долгосрочных прогнозов. Многие компании до сих пор не используют AI и аналитические платформы, что может приводить к субъективным решениям. Использование статистических методов прогнозирования, таких как авторегрессионные модели AR(1), позволяет анализировать динамику модных элементов и предсказывать их изменения [6].
Для формирования промышленной коллекции в работе [7] были представлены результаты статистической обработки экспериментальных исследований художественно-конструктивных элементов моделей женских платьев, динамика изменения элементов платья в зависимости от течения времени. В качестве объекта исследования были выбраны женские платья, так как это сегмент одежды, который наиболее подвержен влиянию быстрых изменений в моде, является высококонкурентным, особенно с учетом присутствия множества брендов — от масс-маркета до люксовых марок.
Методология исследований художественно-конструктивных элементов включала анализ 834 моделей платьев за период с 2000 по 2024 годы, изучение 20 художественно-конструктивных признаков и построение временных рядов для прогнозирования трендов. В качестве исследования модных элементов платья был выбран американский бренд "Carolina Herrera, внедряющий инновации по изучению потребительского поведения в модной индустрии. Анализ динамики за последние два десятилетия на примере женских платьев выявил цикличные изменения таких характеристик, как форма, силуэт и длина изделия, имея точки роста и падения. Результаты статистической обработки экспериментальных исследований основных элементов платья подробно рассмотрены в статье [7].
На основе полученных результатов исследования поставлена задача формализации процесса динамики изменения художественно-конструктивных признаков платья и разработки метода прогнозирования модных элементов.
Для моделирования динамики изменения и прогнозирования временных рядов конструктивно-композиционных элементов одежды предлагается авторегрессионная модель AR(p) первого порядка p=1 SARIMA. Авторегрессионные модели в общем виде выражаются как зависимость от предыдущих по времени значений. Эти типы моделей, как правило, хороши для моделирования стационарных процессов, которые движутся вперед во времени.
январь, 2025 г.
Стационарные данные имеют стабильные статистические свойства с течением времени, т.е. его статистические свойства не меняются со временем, что является предположением, на котором построены модели AR. При этом, прогнозируемая зависимая переменная моделируется как линейная функция независимой переменной плюс случайная ошибка.
Значения параметра характеризующего изменений представлены в виде временного ряда Yi, Y2, .... Yt..
Авторегрессионная модель первого порядка AR(1) определяется как
где фо ф: -коэффициенты авторегрессии модели AR(1) '
Здесь нижний индекс i соответствует моментам времени наблюдения вида элемента. Значение y в момент времени i +1 является линейной функцией y в момент времени i плюс фиксированная константа и случайный член ошибки. Предполагается, что члены ошибки распределены независимо на основе нормального распределения N(0,g) с нулевым ^ ~ 2 средним и постоянной дисперсией а и что члены
ошибки не зависят от значений у. Таким образом ~ N(0, и)
cov(si,sJ) = 0 For i Ф j cov^s^yj) = 0 For all i,j
Cov(eb £j) - ковариация случайных величин gi, g .
Условием стационарности модели AR(1) является требование | ф1 | < 1.
Понятие стационарного временного ряда означает, что его среднее значение не изменяется во времени, т. е. временной ряд не имеет тренда. Кроме того, ковариация между разными элементами временного ряда (как между случайными величинами) зависит только от того, насколько сильно они отдалены друг от друга во времени. У ряда не изменяется дисперсия — расстояние временного ряда от среднего значения.
Результаты и обсуждение
В соответствии с данной моделью был выполнен расчет динамики изменения различных видов формы, силуэта, длины изделия в 2000-2024гг. Моделирование выполнено с помощью библиотеки программ Real Statistics с использованием программных средств Exel. На рисунке 1 представлен результат статистической обработки экспериментальных исследований элемента формы. Результаты моделирования формы представлен на рисунке 2.
Рисунок 1. Динамика изменения формы платья в зависимости от течения времени
Динамика изменения формы
80 70 60 50 40 30 20 10 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Data Мос1е1
Рисунок 2. Расчет моделирования динамики изменения прямоугольной формы платья
Модель динамики изменения прямоугольной формы платья имеет вид:
Уi = 5,022553 + 0,394373 уь1 + ъ Для разработки модели прогнозирования модных форм, силуэтов и длины сформирована таблица
с значениями актуальных, наиболее часто встречаемых элементов временного ряда. На рисунках 3,4 представлены результаты в виде гистограммы.
Форма
90 80 70 60 50 40 30 20 10 0
72,2 75 66,6
280,7
83,6
48,6 5
47,4
52,9
70,6
59,6
51,5 50 52,2
43,8 48,4
36,6
I
I Трапеция
I Песочные часы
I Овал
I Прямоуголный
ОтНГЧГП'^ЬЛ^О^СООЧОтНГЧГП'^ЬЛ^О^СООЧОтНО^ГП'^
ооооооооооооооооооооооооо
Рисунок 3. Часто встречаемые элементы формы временного ряда
66,7
70,4
61,3
57,1
42,2
100
80
60
40
20
Длина
72,2
72,2
81,4
50
63,9
50
39,9
58,4
54,8
57,5
49,9 50
45,2
50 50
40,1
40
68,8
66,6
61,2
47,8
38,1
47,3 \ 45,3
I Мини
I До колен
I Ниже колен
I Миди
0000000000<Н<Н<Н<Н<Н<Н<Н<Н<Н<НГЧ|ГЧ|ГЧ|ГЧ|ГЧ| |\ля.уГМ
ООООООООООООООООООООООООО Макси
Рисунок 4. Часто встречаемые элементы длины временного ряда
Расчет прогнозирования изменения конструктивно-композиционных элементов также выполнен в соответствии с предложенной авторегрессионной моделью. На рисунках 5,6 представлены график
трендов основных элементов платья за изученный 25-летний период и модель прогнозирования модных элементов.
Изменение привлекательности Форма
4,5 4 3,5
2,5
1,5 1
0,5 0
Л
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
— у Ргес1
Рисунок 5. Модель прогнозирования формы
Изменение привлекательности Длина
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
0
3
2
6
5
4
3
2
Рисунок 6. Модель прогнозирования длины
Модель прогнозирования формы имеет вид: Уi = 0,988255+ 0,554373ун + ei
Модель прогнозирования длины имеет вид: Уi = 0,722553+ 0,794373 ун + ei
На основе предложенной моделью можно прогнозировать элементы платья, такие как: покрой рукава, членение, линия талии, форма в области груди, линия бедер, линия плеча, форма головки рукава, длина рукава, глубина проймы, вырез горловины, виды воротников, дополнительные украшения, декоративные элементы, цвет и текстура тканей. Предложенные модели прогнозирования модных элементов, базирующихся на данных об изменении трендов за длительный период, может стать важным инструментом для повышения конкурентоспособности брендов.
Заключение
Женские платья включают в себя огромное разнообразие стилей и фасонов, что требует тщательного подбора тканей, которые будут не только эстетично выглядеть, но и обладать необходимыми эксплуатационными характеристиками — комфортом, долговечностью и простотой в уходе. Однако качественные материалы могут быть дорогими или сложно доступными. Возникают трудности с балансировкой между классическими и трендовыми моделями, чтобы охватить разные целевые аудитории.
Тем самым, проектирование и производство женских платьев в промышленных масштабах требует использования современных технологий, которые позволят обеспечить качество и скорость. Не все производственные линии способны эффективно производить сложные конструкции и крои, особенно для платьев с особым дизайном или декором. Имеются ограничение в возможностях реализации сложных дизайнерских решений из-за технологических ограничений, высокий процент брака на этапе производства из-за ошибок в крое и пошиве, затруднения с массовым производством моделей, требующих ручного труда или использования специализированного оборудования.
Таким образом, проектирование и производство женских платьев требуют комплексного подхода, сочетающего современные технологии и глубокий анализ потребительских предпочтений. Использование авторегрессионных моделей и статистических методов позволяет компаниям лучше адаптироваться к изменениям рынка, снижать риски и увеличивать конкурентоспособность. Это особенно важно в условиях быстроменяющихся трендов и возросших ожиданий потребителей в отношении персона-лизации и устойчивости продукции. Интеграция современных технологий, таких как AI и аналитические платформы, может существенно повысить точность прогнозов спроса, сократить риски перепроизводства и улучшить планирование коллекций.
Список литературы:
1. Jon Schreibfeder "Achieving Effective Inventory Management" //AQSh// ISBN 0-9678200-6-5.2005 p 304.
2. Сабаев В.К."Теория праздного класса веблена и ее актуальность в 21-м веке". https://elib.bsu.by/bitstream/123456789/232842/1/438-441.pdf
3. "GoodsForecst''-платформа на основе машинного обучения и искусственного интеллекта.
4. Е.Б.Коблякова и др. Лабораторный практикум по конструированию одежды с элементами САПР: [Текст] // учеб. пособие для вузов/ - М.: Легпромбытиздат, 1992. 320с.
5. Галун Д.А. Исследование взаимодействия процессов проектирования и реализации одежды. Дис... к.т.н. М. 2005. С. 213.
6. Михайлов А. "Анализ временных рядов"// Анализ проектирование систем. Сообщество IT-специалистов Р.Ф.2023 https://habr.com/ru/companies/otus/articles/732080/
7. Усманова НА., Aбдукaримовa M.A., Камолова М.З. "Актуальность разработок дизайна одежды для различных типовых фигур" // "Universum" технические науки, научный журнал, ISSN: 2311-5122. 2024 №7(124). 26-32-с.
