1.一种基于多属性的服装流行趋势预测方法，其特征在于，包括如下步骤：

步骤（1），使用服装图像爬取模块对购物网站上的服装图像进行爬取；

步骤（2），通过服装分类模块对爬取的服装图像进行服装风格分类和服装款式分类；

所述服装分类模块的处理过程如下：

输入图像进入服装分类模块后被分成两条支路，第一条分支A包括4个特征提取模块和

1个分类结果输出模块，4个特征提取模块分别记为A1、A2、A3和A4，其中A1中包含1个卷积层和1个双分支残差注意模块；A2中包括2个卷积层、1个通道注意模块、1个分支残差注意模块；A3中包括3个卷积层和1个分支残差注意模块；A4中包括2个卷积层、1个通道注意模块、和1个分支残差注意模块；最后分类结果输出模块中包括两个全连接层和Softmax层；

第二条分支B同样包括4个特征提取模块和1个分类结果输出模块，4个特征提取模块分别记为B1、B2、B3和B4，其中B1中包含1个卷积层和1个双分支残差注意模块；B2中包括3个卷积层和1个分支残差注意模块；B3中包括2个卷积层、1个通道注意模块和1个分支残差注意模块；B4中包括3个卷积层和1个分支残差注意模块；最后分类结果输出模块中包括两个全连接层和Softmax层；

其中的双分支残差注意模块是分支A和B共享的，最终输出两个分类结果，分支A输出服装风格预测结果，分支B输出服装款式预测结果；服装分类模块预训练中使用的是多属性分类损失函数，同时调节两个服装风格分类和服装款式分类，多属性分类损失函数公式的具体表示如下：；

式中 分别代表服装图像真实的风格类别和预测的风格类别， 分别代表服装图像真实的款式类别和预测的款式类别， 代表求取 的二范数；

步骤（3），使用预训练的服装流行趋势预测模块，对服装分类数据分别在风格维度和款式维度进行流行趋势预测；

服装流行趋势预测模块实现多属性服装流行趋势预测，由两部分组成服装流行趋势预测模块最终的预测结果；

第一部分为服装风格流行趋势预测，公式如下：

；

上式求的是前30天里所有风格服装图像中数量最多的类别下标，其中 代表第n种服装风格在第天对应的图像数量， 是求取最大值对应下标的函数， 是权重系数；

第二部分为服装款式流行趋势预测，公式如下：

；

上式求的是前30天里所有款式服装图像中数量最多的类别下标，其中 代表第m种服装款式在第 天对应的图像数量， 是求取最大值对应下标的函数， 是权重系数；

服装流行趋势预测模块最终的预测结果由 和 的共同预测来推断流行的

风格和款式。

2.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：A1中卷积层卷积核的大小为3×3，A2和A4的中2个卷积层卷积核的大小均为1×1，A3中卷积层卷积核的大小分别为1×1、3×3、1×1。

3.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：B1中卷积层卷积核的大小为3×3，B2和B4的中3个卷积层卷积核的大小分别为1×1、3×3、1×1，B3中2个卷积层卷积核的大小均为1×1。

4.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：服装分类模块中的双分支残差注意模块有两个输入和输出，具体处理过程如下；

首先，第一个输入特征图Input1先进行一个层归一化操作，然后分成三条分支，第一条分支进行3×3卷积操作得到第一条支路的输出，第二条分支依次进行1×1卷积操作和3×3卷积操作得到第二条支路的输出，第三条分支依次进行1×1卷积操作和3×3卷积操作得到第三条支路的输出；第一条分支的输出与第二条分支的输出进行特征图相乘，将得到的特征图进行Softmax操作得到的结果与第三条分支的输出进行特征图相乘，将得到的特征图进行3×3卷积操作得到中间特征图；

然后，将中间特征图与第二个输入特征图Input2进行特征图相加，输出双分支残差注意模块的第一个输出特征图Output1；

最后，将双分支残差注意模块的第一个输出特征图Output1依次进行层归一化操作，多层感知机操作，并加上输入特征图Input1，得到第二个输出特征图Output2。

5.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：服装分类模块中的通道注意模块的具体处理过程为：将输入特征图依次进行3×3卷积操作、全局平均池化、1×1卷积操作和Sigmoid操作得到一个特征图，将得到的特征图与输入特征图进行特征图相乘得到通道注意模块的输出特征图。

6.如权利要求1所述的一种基于多属性的服装流行趋势预测方法，其特征在于：步骤（2）中利用爬取的服装图像集合制作数据集进行服装分类模块的预训练，首先采用人工的方式制作数据集进行训练，将服装图像进行筛选，将质量好的图像全部放在一个文件夹中，然后将所有服装图像的文件名和标签放在一个文件中存储起来，标签分为两列，一列存储服装图像的风格标签，另一列存储服装图像的款式标签；然后采用训练后的服装分类模块实现对爬取服装图像的粗分类，然后采用人工对服装分类的结果进行微调，得到预训练的服装分类模块。