1.一种多源信息融合的服装流行趋势预测方法，其特征在于，包括如下步骤：

Step1，采集a种服装图像数据；

Step2，对图像进行预处理后送入深度神经网络提取图像特征，并利用图像特征通过分类器得到服装元素类别信息，包括服装款式、色系和风格；

所述深度神经网络采用编码器‑解码器结构，其中编码器为卷积层，解码器为自注意力层；

输入的图像信息经过卷积层进行图像块的划分，加入位置信息后送入解码器结构做多次的自注意力计算提取出图像不同层次的特征信息，输入图像信息维度为H*W*C，其中H是图像的高，W是图像的宽，C是图像的通道，经过深度神经网络计算后会得到多层特征信息，r=4,8,16,32，α=1,2,3…,n’，其中C’是特征图像的通道数，r是图像下采样的倍率，α是通道扩张的倍率，n’表示通道扩张倍率的个数，为正整数；每一个α表示一层特征层；

其中加入位置信息是指对每一个编码的图像块，加入表征该图像块在原图像中的位置信息；

Step3，结合服装元素类别信息，通过流行趋势预测器对下一次的流行元素进行预测得到结果，所述流行趋势预测器的具体处理过程为：将服装元素类别信息输入到流行趋势预测器中，经过数据正则化、多头注意力计算、数据正则化以及多头感知机的分类计算，预测出下一个时间段内流行的服装元素。

2.如权利要求1所述的一种多源信息融合的服装流行趋势预测方法，其特征在于：Step2中， 自注意力计算是指每个图像块会产生代指为查询query、键key和值value的三种向量，三种向量通过计算得到每一块像素以及周围像素对它影响的程度，其注意力计算公式为：式中，Q、K、V是同一块图像像素经过编码后得到的向量数据，是查询query、键key和值value分别组成的向量矩阵，dk是矩阵K的维度，softmax内就是注意力矩阵的计算，乘以V后得到注意力后的像素向量数据。

3.如权利要求1所述的一种多源信息融合的服装流行趋势预测方法，其特征在于：Step2中图像预处理是指对服装图像进行随机裁剪、翻转、正则化和图像增强的数据流处理。

4.如权利要求1所述的一种多源信息融合的服装流行趋势预测的方法，其特征在于：Step2中，分类器采用卷积、非线性激活计算，将特征数据的通道数转换为对应的类别数量，再经过softmax计算选取出概率最大的值，从而得出对应的服装所属的款式、色系和风格元素信息，得到分类结果；

其中softmax函数计算的公式为：

式中，Zi是第i个通道的输出值，n为输出的通道数量，即分类的类别个数。

5.如权利要求1所述的一种多源信息融合的服装流行趋势预测方法，其特征在于：进行step3之前，还包括获取图像对应的用户偏好相关数据，并将同批次的服装的用户偏好相关数据首先经过标准化的处理，然后将处理后的数据作为服装元素类别信息的权重，得到加权后的向量数据，最后输入到流行趋势预测器。

6.如权利要求5所述的一种多源信息融合的服装流行趋势预测方法，其特征在于：用户偏好相关数据是根据服装的好评率、好评与差评比例、评价次数与浏览次数之比综合计算所得，计算公式为：式中，Vi表示用户偏好相关数据，Fr是好评率，Gr是好评与差评比，Nv为评价次数与浏览次数之比，α’与β’是比例系数。

7.如权利要求5所述的一种多源信息融合的服装流行趋势预测方法，其特征在于：对用户偏好相关数据进行标准化的公式为；

式中，Vi表示标准化前的用户偏好相关数据，Vi'表示标准化后的用户偏好相关数据，Max是标准化前这批数据中的最大值，Min是标准化前这批数据中的最小值，newMax和newMin是标准化之后数据的最大值与最小值，n表示这批数据的个数；

将标准化过后的用户偏好相关数据分别乘以服装元素类别数据得到加权后的向量数据：式中，Aj ( k,s,f)代表处理前服装元素类别信息，k,s,f分别表示服装款式、颜色和风格，Aj' (k,s,f)代表处理后的服装元素类别信息。

8.如权利要求7所述的一种多源信息融合的服装流行趋势预测方法，其特征在于：Step3中流行趋势预测器为transformer网络结构，transformer网络结构的计算公式如下：其中Z0是图像块信息编码后的特征向量，Z’l是第l‑1层的特征经过层标准化和l‑1层的i特征跳跃连接后得到的中间向量，Zl是第l层的特征向量；Xp 表示服装元素信息Aj' (k,s,2

f)被划分后的图像块信息，上标从1到N表示有N个图像块，图像块是P·C大小的向量，P表示图像块的像素大小，C是通道数，E表示线性映射矩阵，将图像块投影成尺寸为D的一个向量，l是该层的层数，L是transformer网络结构的深度，LN是层规范化，MSA是多头自注意力，MLP是多层感知机。

9.一种多源信息融合的服装流行趋势预测系统，其特征在于，包括如下模块：

数据特征提取模块，用于提取服装图像的特征数据，作为分类单元的输入信息，所述特征数据是指通过卷积或者自注意力计算的方式得到的代表了图像不同特征的向量数据信息；

采用编码器‑解码器结构提取服装图像的特征数据，其中编码器为卷积层，解码器为自注意力层；

输入的图像信息经过卷积层进行图像块的划分，加入位置信息后送入解码器结构做多次的自注意力计算提取出图像不同层次的特征信息，输入图像信息维度为H*W*C，其中H是图像的高，W是图像的宽，C是图像的通道，经过深度神经网络计算后会得到多层特征信息，r=4,8,16,32，α=1,2,3…,n’，其中C’是特征图像的通道数，r是图像下采样的倍率，α是通道扩张的倍率，n’表示通道扩张倍率的个数，为正整数；每一个α表示一层特征层；

其中加入位置信息是指对每一个编码的图像块，加入表征该图像块在原图像中的位置信息；

分类模块，用于对提取到的特征数据进行处理，得到服装图像数据所属的服装元素类别信息，包括服装款式、色系、风格；

流行趋势预测模块，用于根据得到的服装款式、色系和风格的元素信息，对下一个时间段的流行元素进行预测；所述流行趋势预测单元是具备处理时序数据结构的transformer网络结构，将服装元素类别信息输入到流行趋势预测单元中，经过数据正则化、多头注意力计算、数据正则化以及多头感知机的分类计算，预测出下一个时间段内流行的服装元素。

10.如权利要求9的一种多源信息融合的服装流行趋势预测系统，其特征在于：还包括权重注意力模块，用于获取图像对应的用户偏好相关数据，并将同批次的服装的用户偏好相关数据首先经过标准化的处理，然后将处理后的数据作为服装元素类别信息的权重，得到加权后的向量数据，最后输入到流行趋势预测模块中。