1.一种服装风格流行预测的系统，其特征在于，包括：数据处理模块、服装分类模块、估计购买量模块、服装流行预测模块；

所述数据处理模块用于获取服装图像数据，对所述服装图像数据进行多标签标注，得到标签信息；

所述服装分类模块用于根据所述标签信息进行服装风格分类，得到风格分类信息及每类风格服装对应的实际购买量；

所述估计购买量模块用于通过回归分析模块得到实际购买量影响因子与实际购买量之间的购买关系信息；用于根据所述购买关系信息、所述实际购买量，得到估计购买量；

其中，所述估计购买量模块中的所述实际购买量影响因子包括检索量、好评量、收藏量；所述购买关系信息的表达式为：y＝α1x1+α2x2+α3x3+1

式中，y为购买量，x1为检索量，x2为好评量，x3为收藏量，α1、α2、α3分别为检索量权重参数、好评量权重参数、收藏量权重参数，1为误差；在求解所述检索量权重参数、所述好评量权重参数、所述收藏量权重参数时，y为实际购买量；在根据所述购买关系信息得到估计购买量时，y为估计购买量；

基于所述检索量权重参数、所述好评量权重参数、所述收藏量权重参数，通过回归分析模型计算得出估计购买量，将n月的估计购买量、连续m月的估计购买量均值、连续m月的估计购买量方差作为一个三元组数据；

所述服装流行预测模块用于根据所述风格分类信息、所述估计购买量对服装风格的流行趋势进行预测；

其中，所述服装流行预测模块选用LSTM神经网络，将第一个时间点对应的三元组数据输入至LSTM神经网络并经隐藏层输出，第一个时间点对应的隐藏层的输出和第二个时间点对应的三元组数据作为下一个LSTM神经网络计算的输入，依次进行，直到第s个时间点对应的三元组数据计算完毕，经隐藏层输出到输出层，输出层分别输出第一个时间点到第s个时间点不同服装风格的估计购买量，将这些估计购买量组成的序列作为基础序列，利用卡尔曼滤波器作为动态调整模型对所述基础序列进行动态调整，得到调整后的预测结果。

2.根据权利要求1所述的服装风格流行预测的系统，其特征在于，所述数据处理模块通过卷积神经网络对所述服装图像数据进行多标签注释，采用基于SoftMax的改进损失函数，所述改进的损失函数首先假设需要对图像标注c个标签，fi(xj)表示图像xj与标签i的激活值，图像xj与标签i的概率为pji， 然后最小化模型预测的标签与实际的标签KL散度，通过正则化图像中c个标签组成的标签向量z，得到图像xj与标签i的概率pji，在代价函数中添加一个权重衰减项，保证代价函数收敛从而得到全局最优解。

3.根据权利要求1所述的服装风格流行预测的系统，其特征在于，所述服装分类模块利用具有所述标签信息的数据集训练分类模型，利用训练好的分类模型对服装图像进行服装风格分类，得到风格分类信息；根据所述风格分类信息统计各类风格服装对应的实际购买量。

4.根据权利要求1所述的服装风格流行预测的系统，其特征在于，所述卡尔曼滤波器分为预测和更新两部分；

所述预测包括：根据上一个时间点的估计购买量预测下一个时间点的估计购买量，成为先验估计，同时根据上一个时间点的购买量误差预测下一个时间点的购买量误差，成为先验误差；

所述更新包括：利用新增加的估计购买量对预测阶段得到的先验估计进行带权值的更新，同时更新先验误差，得到本阶段的后验估计和后验误差。

5.一种基于权利要求1‑4中任一项所述的服装风格流行预测的系统的服装风格流行预测的方法，其特征在于，包括以下步骤：步骤1、获取服装图像数据，对所述服装图像数据进行多标签标注，得到标签信息；

步骤2、根据所述标签信息进行服装风格分类，得到风格分类信息及每类风格服装对应的实际购买量；

步骤3、通过回归分析模块得到实际购买量影响因子与实际购买量之间的购买关系信息；根据所述购买关系信息、所述实际购买量，得到估计购买量；

步骤4、根据所述风格分类信息、所述估计购买量对服装风格的流行趋势进行预测。