1.一种评价文化创意的产品营销趋势预测系统，其特征在于，包括数据收集模块（100）、集成多模型模块（200）和集成决策模块（300），其中：所述数据收集模块（100）收集有关文化创意产品的数据，包括历史市场数据、社交媒体数据和网页视觉数据；

所述集成多模型模块（200）利用支持向量机算法模型根据所述历史市场数据对各个产品进行未来市场销量的预测；利用情感词典根据所述社交媒体数据，预测产品接受度；利用卷积神经网络算法模型根据所述网页视觉数据，预测高接受度视觉元素；所述集成多模型模块（200）包括视觉元素预测单元（203），所述视觉元素预测单元（203）利用卷积神经网络算法模型根据网页视觉数据，分析产品视觉元素与当前销量程度间的关联，识别高接受度视觉元素，具体包括：数据准备：收集网页视觉数据以及相关产品的当前销量程度作为训练数据，当前销量程度包括高销量、中销量和低销量，网页视觉数据包括但不限于产品图片、颜色和布局，并将该网页视觉数据转换成适合卷积神经网络处理的格式；

卷积神经网络的选择和配置：选择VGGNet卷积神经网络模型配置网络的层次和参数，通过重复使用小尺寸的卷积核和池化层来构建深层网络，包括输入层、多个卷积层、池化层和全连接层；

模型训练：输入数据为网页视觉数据，当前销量程度作为标签；使用带标签的训练数据来训练网络；

特征提取和分析：使用训练好的卷积神经网络处理每个产品的网页视觉数据，卷积神经网络在处理图像时，提取整个图像或部分图像的深层次特征；在卷积神经网络中，每一层提取输入数据的不同特性，通过数据在网络中的传递，初级特征组合成更复杂的特征；

高接受度视觉元素的预测：通过特征提取和分析卷积神经网络模型的输出，确定某一特征在高销量的产品图像中出现次数最多，并将该特征作为高接受度视觉元素；高接受度视觉元素包括但不限于颜色组合、形状、图像排列的方式；

所述集成决策模块（300）包括一致性计算单元（301），所述一致性计算单元（301）接收未来市场销量预测单元（201）和产品接受度预测单元（202）分别预测未来市场销量和产品接受度，并进行产品特点和视觉元素的比较；

所述集成决策模块（300）按照所述产品接受度从高到低的顺序依次对产品进行未来市场销量的预测，选择产品接受度高但未来市场销量低的产品，并提取该产品对应的视觉元素，作为当前视觉元素，将当前视觉元素与卷积神经网络算法模型中的高接受度视觉元素进行比较，其中，所述集成决策模块（300）包括决策单元（302），所述决策单元（302）根据一致性计算单元（301）的一致性结果进行决策，其中，若当前视觉元素与高接受度视觉元素不一致，则基于高接受度视觉元素重新设计产品的网页界面，具体包括：将所有产品按照产品接受度从高到低进行排序；

对每个产品，比较其未来市场销量和产品接受度，选择具有高接受度但未来预测销量低的产品；

对于接受度高但销量预测低的产品，提取该产品的当前视觉元素，并将该产品所对应的网页视觉数据输入到视觉元素预测单元（203）中，输出为该产品的高接受度视觉元素，并进行相似度比较，具体如下：利用余弦相似度公式来评估当前视觉元素和高接受度视觉元素这两组特征向量之间的相似度：，其中 和 是两组特征向量，表示向量点乘， 和 是向量的欧

氏范数；

阈值判定：设定一个阈值，如果两个特征向量的相似度高于此阈值，则视为一致；低于此阈值则视为不一致，其中：若不一致，则将所述高接受度视觉元素作为基础，重新设计产品的网页界面，其中：列出高接受度视觉元素的关键特征；

使用定量指标来描述这些视觉元素，其中：

颜色分析：提取高接受度图片的颜色直方图，并计算主要颜色比例，为

；

布局分析：通过图像分割技术识别布局结构，包括但不限于分区比例和元素对齐方式；

视觉设计原则制定：根据颜色和布局分析结果，制定设计原则；

设计实施：应用设计原则和从高接受度视觉元素中提取的定量指标来设计网页，其中：颜色实例化：调整网页界面的CSS样式，将颜色代码设置为与高接受度视觉元素中颜色直方图最突出的颜色匹配；

布局优化：通过CSS和HTML调整内容布局，确保布局与高接受度产品的布局指标一致；

若一致，则对所述集成多模型模块（200）中的卷积神经网络算法进行优化处理，重新预测高接受度视觉元素，以及比较优化前后的高接受度视觉元素，若比较一致，则将该产品进行标记，并作为异常结果发送给管理人员。

2.根据权利要求1所述的评价文化创意的产品营销趋势预测系统，其特征在于，所述集成多模型模块（200）包括未来市场销量预测单元（201），所述未来市场销量预测单元（201）使用支持向量机算法，根据历史市场数据预测未来市场销量，具体包括：数据准备：从历史市场数据中提取特征，包括但不限于时间序列特征、价格、促销活动、实际销量，并将数据切分为训练数据和预测数据；

特征选择：使用相关分析方法减少特征维度，选择最有代表性的特征；

支持向量机模型训练：定义损失函数为 ，其中 表示损失

函数，用于计算和表达支持向量机模型预测值与实际值之间的差距； 表示实际值，从数据中获得的实际销量数值； 表示支持向量机模型的预测值， 是由支持向量机模型通过学习输入训练数据 得到的预测函数；表示模型的训练数据输入特征，从历史市场数据中提取；选择径向基函数为核函数，并使用交叉验证确定最优模型参数；

未来市场销量预测：使用训练好的支持向量机模型对预测数据进行预测，预测结果为未来市场销量。

3.根据权利要求2所述的评价文化创意的产品营销趋势预测系统，其特征在于，所述集成多模型模块（200）包括产品接受度预测单元（202），所述产品接受度预测单元（202）使用情感词典分析消费者情感，预测产品接受度，通过从社交媒体数据预测有关产品的文本评论，对文本评论进行标准化、去停用词和词干提取的文本预处理，利用情感词典进行情感得分计算，以产品为单位，统计和平均各产品的情感得分，转化为产品接受度。

4.根据权利要求3所述的评价文化创意的产品营销趋势预测系统，其特征在于，所述决策单元（302）中的一致性结果为不一致时，则对视觉元素预测单元（203）中的卷积神经网络算法模型进行卷积层调整，调整卷积层中的当前过滤器数量，公式为新的过滤器数量=当前过滤器数量×调整因子；并使用优化后的卷积神经网络算法模型重新识别高接受度视觉元素，以及比较优化前后的高接受度视觉元素，其中若比较一致，则标记该产品为异常，并作为异常结果发送给管理人员。