單次定制訂單的青年女性群體服裝定制號型

徐希朋　徐燕妮　季曉芬

摘要： 為了滿足消費者對于服裝合體性的更高需求及企業提高服裝定制生產效率的需要，文章提出考慮擬合度損失系數的青年女性服裝定制號型的制定方法。使用三維人體掃描收集100名年齡在18～25周歲的青年女性的8項人體數據，包括身高、胸圍、腰圍、臀圍、背長、肩寬、腿長和大腿圍，采用主成分分析、相關性分析確定聚類的依據變量，使用擬合度損失系數方法確定聚類數，然后通過K均值聚類分析和線性回歸分析得到定制號型表。為證實擬合度損失系數方法的優越性，另選取兩種確定聚類數的方法混合F統計量和最終聚類中心距離和，設置對比實驗。實驗結果表明，考慮擬合度損失系數制定的服裝號型相較其他兩類方法，在合體性、覆蓋率和生產效益等方面的綜合考量更優。

關鍵詞： 服裝批量定制;服裝號型;聚類分析;擬合度損失系數;服裝合體性

中圖分類號： TS941.17 文獻標志碼： ?A

文章編號： 10017003（2023）080082－09

引用頁碼： 081110 DOI： 10.3969/j.issn.1001-7003.2023.08.010

服裝號型在指導服裝生產、調控生產成本、幫助消費者挑選服裝等方面的作用彌足輕重。然而，現階段服裝號型因易出現與個體體型的不匹配，使得服裝難以滿足消費者更高的合體性需求［1］。為調和離散性與合體性的矛盾，服裝大規模定制成為解決號型與個體體型的離散問題、滿足消費者服裝合體性需求的重要途徑。根據中研普華研究院研究數據顯示，中國2022年服裝定制產業市場整體規模為2 000億元［2］。國內服裝定制市場需求龐大，因此對制定服裝號型的技術方法進行革新，使其進一步滿足服裝大規模定制的需要。

在已有的研究中，Tryfos［3］提出整數規劃方法、McCulloch等［4］使用非線性規劃方法制定號型，但開發的號型表過度傾向于預先設定的約束。之后聚類分析［5］、神經網絡［6］和決策樹［7］等數據挖掘技術被應用于開發服裝號型。齊靜等［8］應用三維人體掃描描述青年男性體型，通過聚類分析將西部男性體型分為7類。余佳佳等［9］通過優化聚類分析方法進一步細分體型，但仍沒有解釋人體測量變量之間的關系。張小妞等［10］以身高與腰圍為自變量，得到不同體型的數學回歸模型，定義了同一體型內的變量關系，為檔差設置提供了數學模型基礎，但沒有通過計算擬合度損失，即服裝尺碼與身體凈量尺寸的離散性對該檔差的合理性作進一步評價。

隨著消費者對于服裝合體性需求的提高，擬合度損失的研究逐漸深入。對于服裝合體性，Alexander等［11］、Boorady［12］、許軼超等［13］學者使用主觀評價的方法，選定特定人體部位作為評價合體性的因素。主觀評價法操作簡單、結果清晰，但缺少客觀的評價因素，無法量化合體性。Esfandarani等［14］通過計算不同因子數的擬合度損失，量化服裝合體性。Vadood等［15］使用擬合度損失確定神經網絡的最優學習率。Gupta等［16］通過計算總擬合損失來驗證號型表。然而上述研究僅將擬合度損失作為服裝號型表的合體性評價指標，在體型分類過程中，沒有將其作為體型分類依據，使服裝號型更注重覆蓋率而非合體性，并不能充分滿足消費者對于定制服裝的合體性需要。

本文針對企業單次訂單內的青年女性客戶群體，通過建立擬合度損失系數模型，從服裝最終擬合度的角度考慮選擇最優聚類數進行K均值聚類分析，并與混合F統計量方法、最終聚類中心距離和兩種方法進行對比，以確定服裝大規模定制最優號型表。本文為小眾品牌及中小型企業的單次訂單提供號型定制方法思路，無須搭建消費者三維人體數據庫，僅通過收集訂單內消費者的八項重要測量部位數據，進而快速制定服裝大規模定制號型表。

1 數據采集和預處理

1.1 人體測量變量及數據采集

因服裝定制面向中國市場，故不將區域經濟發展狀況考慮在內，隨機選取18～25周歲在校大學生作為實驗對象。參考GB/T 22187—2008《建立人體測量數據庫的一般要求》，制定大規模服裝生產號型的人體測量最小樣本量為131人。考慮在服裝定制生產模式下，定制訂單具有訂單批次多、每單數量少、生產需求多變等特點［17］，所制定號型僅適用于某一次訂單內的小批量客戶群體，不同批次訂單需要重新制定號型。且訂單內客戶數量即為樣本采集量，并為此訂單內個體身體數據完整的客戶制定號型。數據不完整的客戶遞推至下一次訂單，待數據補充完整后制定號型，故不須達到大規模生產標準所要求的最小樣本量，由此確定樣本采集量為100人。

考慮到小眾品牌及中小企業難以對客戶群體中所有個體單獨進行身體數據測量，故需要顧客線上填報身體數據。因此通過對楊蕾等［18］、潘力等［19］、樊萌麗等［20］、余佳佳等［9］所選用的身體測量部位進行篩選，以及參考GB/T 16160—2017《服裝用人體測量的尺寸定義與方法》，得到8個易于消費者測量并且在定制層面上能足夠代表身體特征的變量：身高、胸圍、腰圍、臀圍、背長、肩寬、腿長、大腿圍。在本文中，使用型號為2NX-16的［TC］2三維人體掃描儀對100個個體測量此8個變量，完成數據采集。

1.2 數據預處理

對收集的100份人體數據進行篩選和檢驗。在刪除缺漏值后，使用箱式圖檢查是否存在奇異值。Q-Q概率圖、P-P概率圖是常用的正態分布檢驗方法，因P-P概率圖更加直觀、易于判斷，所以刪除奇異值后，本文使用P-P概率圖進行正態分布檢驗，結果如圖1所示。

由圖1可見，身高數據基本沿一條直線分布，因此，可以判定身高變量符合正態分布。同理，其余7個變量，經去除缺漏值、奇異值后檢驗均符合正態分布。經過上述數據處理，最終有效樣本數量為87。

2 青年女性人體體型特征變量提取

2.1 人體數據主成分分析

使用SPSS對人體數據進行主成分分析，如表1所示。提取初始特征值大于1的2個成分，其累積貢獻率為73.806%。

使用Kaiser標準化的正交旋轉法旋轉因子載荷矩陣，成分1、成分2所包含變量如表2所示。圖2顯示了旋轉空間中的人體數據變量分布，成分1包括胸圍、腰圍、臀圍、肩寬、大腿圍;成分2包括身高、腿長、背長。

2.2 人體特征變量提取

通過主成分分析得到每個成分的特征變量后，對變量進行相關性分析。表3為8個人體特征變量間的相關系數矩陣。

計算8個變量的相關指數以確定聚類的依據變量［21］。相關指數的計算公式如下：

式中：R為變量間判定系數;i=1，2，…，m，其中m為所在成分的特征變量個數;rij為同一成分內第i個特征變量與第j個變量的相關系數，i≠j，j=1，2，…，m。

最終變量相關指數計算結果如表4所示。成分1的所有特征變量中，肩寬的相關指數為0.289 4，遠低于其他變量的相關指數;成分2的所有特征變量中，背長的相關指數為0.162 5，遠低于身高和腿長的相關指數，故選擇身高、腿長、胸圍、腰圍、臀圍、大腿圍這6個變量作為聚類依據變量進行K均值聚類分析。

3 人體體型特征變量聚類分析

本文采用K均值聚類分析，它是預先隨機設置K個質心，通過計算每一個變量到K個聚類中心之間的距離關系，將變量與距離關系最近的質心歸為一類的迭代算法。如今常用的確定聚類數K的方式有兩種，其一是按照操作者的經驗或者參照實際的尺碼標準數量來確定;其二是依照某種指標比對不同聚類數的結果［22］。第一種方式方便省時，但不夠精確［23］。因此，本文選取第二種方式確定聚類數K。根據現有的確定聚類數方法的相關文獻引用次數及其在服裝號型制定中的應用情況，最終選取混合F統計量［24］、最終聚類中心距離和［19］兩種確定聚類數的方法。此外，本文提出考慮擬合度損失系數的K均值聚類算法，與前兩種方法進行對比，最終獲取服裝大規模定制的最優號型表。

3.1 混合F統計量

使用混合F統計量確定K均值算法的優聚類數，其混合F統計量值越大，聚類內聯系越密切，聚類之間的聯系越疏遠［24］。具體計算公式如下：

式中：c為預先設置的聚類數;ni為第i個聚類的樣本個數;vik為第i個聚類的第k個特征變量的聚類中心;vk為第k個特征變量聚類中心的平均值;k為聚類分析所依據的特征變量;n為樣本容量;xijk為第i個聚類中第j個樣本的第k個特征變量的實際數值;Mixed-F為混合F統計量;p為聚類分析所依據特征變量總數6。

依據方方等［23］的研究，聚類數區間應在2≤c≤intn，因有效樣本數為87，故聚類數量應在區間［2，9］。最終得到不同聚類數對應混合F統計量計算結果及變化趨勢，如圖3所示。結果表明，聚類3混合F統計量最高，因此3個聚類為最優聚類數。

3.2 最終聚類中心距離和

樣本到聚類中心的距離表示了聚類內個體的相關性，數值越低，類內相關性越高。對人體數據進行聚類分析，分別計算聚類數3～9中樣本個體到聚類中心的距離并求和。圖4為不同聚類數的最終聚類中心距離和碎石圖。圖4中，聚類數2到聚類數4距離和急劇下降，并在聚類數4時出現拐點，聚類數4到聚類數9距離和相對平緩。因此，選定4為最優聚類數。

3.3 擬合度損失系數

考慮擬合度損失系數的號型制定方法，不同于以往確定體型分類后便進行號型歸檔的號型制定方法。為體現服裝最終合體性對于體型分類的影響，需對不同聚類數預先求得擬合度損失，即對聚類數2～9的所有個體數據進行尺碼預歸檔。歸檔結束后，計算人體數據與賦予尺碼的離散性，依據擬合度損失系數確定最優聚類數后，對預歸檔的號型進行優化，生成最終定制號型表。

擬合度損失系數通過計算樣本值與所賦予尺碼的離散程度來表示號型系列的合體性。Esfandarani等［14］咨詢領域專家，確定胸圍、腰圍和臀圍是確定服裝合體性最重要的尺寸。因此，本文采用這三個特征變量計算擬合度損失系數。確定變量后，需對三個變量的尺寸進行歸檔賦予尺碼。首先，以聚類中心值作為中間體，通過線性回歸設置檔差，最后根據中間體尺寸、檔差對每個個體變量賦予尺碼。預先已對聚類數2～9進行計算，得知7為最優聚類數，所以本文以7個聚類數進行演示。因聚類中心值的數據多含有小數，且客戶在測量時存在一定誤差，所以在保證調整前后數據平均值相近的規則下進行微調，如表5所示。

依據GB/T 1335.2—2008 5.4《中華人民共和國女子服裝號型標準》系列，將身高檔差設置為5 cm。因18～25歲青年女性體型偏瘦，檔差值過大不能準確反映體型，在咨詢專家后將胸圍檔差設置為2 cm。然后進行線性回歸的預分析，確定腰圍、臀圍與身高、胸圍的線性關系，以換算檔差。計算公式如下：

初步線性回歸時，簇4腰圍、簇7腰圍與臀圍三個變量以身高和胸圍為自變量初步換算所得檔差值為負。故參考表3，選擇臀圍、胸圍作為簇4腰圍的自變量;選擇肩寬、胸圍作為簇7腰圍的自變量;選擇腰圍、大腿圍作為簇7臀圍的自變量進行第二次線性回歸分析。簇6因為只含有一個樣本，故不進行線性回歸，最終結果如表6所示。

依據表6偏回歸系數，計算服裝合體性關鍵尺寸檔差。計算公式如下：

因變量檔差數值=B（x1）×自變量x1檔差+B（x2）×自變量x2檔差（5）

式中：B（x1）為變量x1偏回歸系數，B（x2）為變量x2偏回歸系數。

檔差計算結果如表7所示。

確定檔差后，對樣本數據中胸圍、腰圍、臀圍進行尺碼賦值，簇6樣本賦實際值。擬合度損失系數考慮了聚類內、聚類間的聯系，通過計算賦予尺碼數值與實際值的離散程度，評價服裝合體性。

擬合度損失系數Vi優先考慮數值的擬合度損失，其數值越低表示在此擬合度損失所能達到的聚類效果越好。由混合F統計量計算公式可知，倒數加權致使數值較小的F（k）值對最終的混合F統計量計算值影響過大。因人體數據不具有連續性，且為突出所賦予尺碼的擬合度損失V的影響及均衡地體現各變量F統計量，對F統計量求均值的倒數記為Fp（k），即Fp（k）值越大聚類內聯系越疏遠，聚類之間的聯系越密切，進而確定最佳聚類數。計算公式如下：

式中：L為預先設置的聚類數;h為關鍵尺寸變量總數;n為聚類某一簇的樣本容量;Xjki表示第j個聚類簇中第k個變量的第i個實際數據;Gjki為Xjki所對應的尺碼賦值。

表8為擬合度損失系數的計算結果。聚類數7的Vi值最低，即在優先考慮擬合度損失的情況下，聚類數7聚類效果最好，故選定聚類數7為最優聚類。因簇6只含有一個樣本，為提高尺碼覆蓋效率追求更高的實際生產效益，舍棄簇6中的特殊個體，所以聚類數7對應6種體型。

4 服裝號型系列設置與分析

4.1 服裝號型系列設置

混合F統計量、最終聚類中心距離和、擬合度損失系數三種方法確定的最優聚類數分別是3、4、7，于是對聚類數3、聚類數4、聚類數7分別設置服裝號型。服裝號型歸檔、檔差設定方法已在計算擬合度損失系數過程中演示。

本文服裝號型系列采用身高、胸圍、體型的方式制定，體型分類依照聚類分類確定，體型名稱采用羅馬數字依次命名。通過減少尺碼數量控制實際的生產成本，放棄對某聚類簇中某樣本數據所賦予尺碼在該聚類簇所有尺碼中占比過低的樣本數據，以及只有單個樣本數據聚類簇6的覆蓋，以此對號型進行初步調整，因此最終制定號型表包含6種體型，得到號型覆蓋圖，如圖5—圖7所示。矩形框代表尺碼覆蓋范圍，長為身高檔差、寬為胸圍檔差，尺碼值為矩形框對角線交點;黑色填充正方形代表樣本實際尺寸。

聚類數3、4、7號型系列所對應尺碼數分別是33、40、33;體型數分別是3、4、6。聚類數7號型因舍棄只含有一個樣本數據的聚類簇，故只有6種體型。聚類數3號型與聚類數7號型尺碼無重疊或有極少重疊，聚類數4號型重疊尺碼相對較多。對于樣本數據的覆蓋，三個號型系列尺碼分布均與樣本數據分布大致相同，但聚類數3號型與聚類數7號型尺碼數量少于聚類數4號型，因此聚類數4號型的尺碼覆蓋效率明顯低于其他兩個號型。對于未覆蓋的樣本數，聚類數7號型最少，聚類數4號型少于聚類數3號型。對于號型合體性，圖中難以清晰呈現，需要進一步計算分析。

綜上所述，聚類數7號型對于樣本尺寸的覆蓋率優于聚類數3與聚類數4號型，且尺碼數量明顯少于聚類數4號型。

4.2 分析與討論

初步所得三個號型系列，因部分尺碼只覆蓋單獨一個樣本，故進一步調整優化，將此部分尺碼調整為樣本實際尺寸最接近的整數，得到最終號型系列后進行對比評價。號型表評價指標如表9所示，在考慮尺碼數量的基礎上，比較號型覆蓋率及擬合度損失。尺碼數量作為生產效益的評價指標，號型覆蓋率、擬合度損失分別作為此號型服裝滿足消費者穿著的比例及穿著合體性的評價指標。聚類數7號型表與聚類數3號型表相比，號型數量相同，號型覆蓋率提高5.75%，且擬合度損失下降了0.023 5;聚類數7號型表與聚類數4號型表相比，號型數更少，覆蓋率提高3.45%，擬合度損失下降了0.019 9。因此，考慮擬合度損失系數所建立的聚類數7號型表最優，以最低的尺碼數達到最高的號型覆蓋率，可以為消費者提供更好的穿著體驗。

表10為最終聚類數7號型系列，圖8為調整后聚類數7最終號型分布覆蓋圖。結果表明，體型Ⅰ覆蓋樣本數9，覆蓋率為10.84%;體型Ⅱ覆蓋樣本數16，覆蓋率為19.28%;體型Ⅲ覆蓋樣本數23，覆蓋率為27.71%;體型Ⅳ覆蓋樣本數6，覆蓋率為7.23%;體型Ⅴ覆蓋樣本數22，覆蓋率為26.51%;體型Ⅵ覆蓋樣本數7，覆蓋率為8.43%。由此可得，此樣本群體中，主要體型為體型Ⅱ、體型Ⅲ、體型Ⅴ。對主要體型中，尺碼覆蓋樣本數覆蓋率進行分析。體型Ⅱ中，尺碼身高155 cm、胸圍81 cm覆蓋樣本最多，覆蓋樣本數5，在體型Ⅱ中的覆蓋率為31.25%;體型Ⅲ中，尺碼身高159 cm、胸圍79 cm，身高159 cm、胸圍81 cm，身高159 cm、胸圍83 cm覆蓋樣本最多，且均為4人，三個尺碼在體型Ⅲ中覆蓋率為52.17%;體型Ⅴ中，尺碼身高165 cm、胸圍84 cm，身高165 cm、胸圍90 cm，身高170 cm、胸圍92 cm覆蓋樣本最多，且均為4人，三個尺碼在體型Ⅴ中覆蓋率為54.55%。上述分析有利于服裝企業合理安排生產及制定定價策略，即根據各尺碼所需生產件數安排裁剪，提高生產效率，從而降低生產成本，進而根據各尺碼生產成本及對應的合體度制定銷售價格。

5 結 論

本文提出基于擬合度損失系數的聚類分析方法，為18～25周歲青年女性顧客開發了服裝定制號型。本文采用主成分分析、相關性分析確定聚類的依據變量，并基于擬合度損失系數模型，確定優先考慮服裝合體性情況下的最優聚類數量，再通過線性回歸確定變量關系以設置檔差。通過設置對比實驗，綜合三個評價指標，基于擬合度損失系數方法所制定號型表在號型覆蓋率、服裝合體性、生產成本方面要優于混合F統計量及最終聚類中心距離和，因此相較而言也更適用于開發服裝定制號型。所制定的服裝號型在覆蓋率高達95.40%、擬合度損失僅0.039 9的基礎上，保持合理的尺碼數量，同時滿足消費者合體性及企業實際生產的需要。

本文尚存在不足之處：采取線性回歸的方法設置服裝號型檔差，雖然保證了特征變量尺寸變化的協同，但并不能十分貼合同一聚類中某一變量尺寸的變化關系，未來可細化檔差設置。

參考文獻：

［1］齊雪良. 批量定制服裝號型分類算法研究［D］. 蕪湖： 安徽工程大學， 2017.

QI Xueliang. Research on Classification Algorithm of Batch Customization Garment Size［D］. Wuhu： Anhui Engineering University， 2017.

［2］趙琳琳. 千億市場藍海服裝定制業正在崛起［N］. 中國產經新聞， 2022-01-15（002）.

ZHAO Linlin. The blue ocean clothing customization industry is rising in the 100 billion market［N］. China Industrial and Economic News， 2022-01-15（002）.

［3］TRYFOS P. An integer programming approach to the apparel sizing problem［J］. Journal of the Operational Research Society， 1986， 37 （10）： 1001-1006.

［4］MCCULLOCH C E， PAAL B， ASHDOWN S A. An optimal approach to apparel sizing［J］. Journal of the Operational Research Society， 1998， 49： 492-499.

［5］MOON J Y， NAM Y J. A Study the Elderly Women’s Lower Body Type Classification and Lower Garment Sizing Systems［C］. Seoul： Proceedings of International Ergonomics Association Conference， 2003.

［6］SHE F H， KONG L X， NAHAVANDI S， et al. Intelligent animal fiber classification with artificial neural networks［J］. Textile Research Journal， 2002， 72 （7）： 594-600.

［7］HSU C H， WANG M J J. Using decision tree based data mining toestablish a sizing system for the manufacture of garments［J］. The International Journal of Advanced Manufacturing Technology， 2005， 26 （5/6）： 669-674.

［8］齊靜， 李毅， 張欣. 我國西部地區青年男性體型描述與體型分類研究［J］. 紡織學報， 2010， 31（5）： 107-111.

QI Jing， LI Yi， ZHANG Xin. Description and classification of young men’s body type in the west China［J］. Journal of Textile Research， 2010， 31（5）： 107-111.

［9］余佳佳， 李健. 中國東部地區青年女性人體體型分類［J］. 紡織學報， 2020， 41（5）： 134-139.

YU Jiajia， LI Jian. Classification of young women’s somatotypes in eastern China［J］. Journal of Textile Research， 2020， 41（5）： 134-139.

［10］張小妞， 王軍， 張春媛. 東北女青年下身體型分類及數學模型建立［J］. 服裝學報， 2020， 5（6）： 482-487.

ZHANG Xiaoniu， WANG Jun， ZHANG Chunyuan. Classification of lower somatotype and mathematical models of young women in northeast China［J］. Journal of Clothing Research， 2020， 5（6）： 482-487.

［11］ALEXANDER M， JO C L， PRESLEY A B. Clothing fit preferences of young female adult consumers［J］. International Journal of Clothing Science and Technology， 2005， 17（1）： 52-64.

［12］BOORADY L M. Functional clothing-principles of fit［J］. Indian Journal of Fibre & Textile Research， 2011， 36（4）： 344-347.

［13］許軼超， 丁永生. 服裝合體性評價的研究方法與應用進展［J］. 紡織學報， 2007， 28（10）： 127-130.

XU Yichao， DING Yongsheng. Research and application of garment fit assessments［J］. Journal of Textile Research， 2007， 28（10）： 127-130.

［14］ESFANDARANI M S， SHAHRABI J. Developing a new suit sizing system using data optimization techniques［J］. International Journal of Clothing Science and Technology， 2012， 24（1）： 27-35.

［15］VADOOD M， ESFANDARANI M S， JOHARI M S. Developing a new suit sizing system using neural network［J］. Journal of Engineered Fibers and Fabrics， 2015， 10（2）： 108-112.

［16］GUPTA D， GANGADHAR B R. A statistical model for developing body size charts for garments［J］. International Journal of Clothing Science and Technology， 2004， 16（5）： 458-469.

［17］陳莎， 修毅， 張海波. 服裝大規模定制生產企業訂單排程優化研究［J］. 北京服裝學院學報（自然科學版）， 2022， 42（1）： 65-73.

CHEN Sha， XIU Yi， ZHANG Haibo. Research on optimization of order scheduling for apparel mass customization manufacturing enterprises［J］. Journal of Beijing Institute of Fashion Technology （Natural Science Edition）， 2022， 42（1）： 65-73.

［18］楊蕾， 馬凱. 北京地區中年女性體型細分研究［J］. 北京服裝學院學報（自然科學版）， 2021， 41（2）： 35-40.

YANG Lei， MA Kai. Body shape classification of middle-aged women in Beijing［J］. Journal of Beijing Institute of Fashion Technology （Natural Science Edition）， 2021， 41（2）： 35-40.

［19］潘力， 王軍， 沙莎， 等. 東北地區青年女子體型分類與服裝檔差研究［J］. 紡織學報， 2013， 34（11）： 131-135.

PAN Li， WANG Jun， SHA Sha， et al. Study on body typing and garment size grading of young women in northeast China［J］. Journal of Textile Research， 2013， 34（11）： 131-135.

［20］樊萌麗， 羅戎蕾， 劉芳. 華東地區青年女性體型特征與分類研究［J］. 現代紡織技術， 2019， 27（6）： 68-73.

FAN Mengli， LUO Ronglei， LIU Fang. Study on body characteristics and classification of young women in eastern China［J］. Advanced Textile Technology， 2019， 27（6）： 68-73.

［21］袁惠芬， 王旭， 齊雪良， 等. 基于神經網絡的批量定制服裝號型分類研究［J］. 武漢紡織大學學報， 2018， 31 （3）： 41-45.

YUAN Huifen， WANG Xu， QI Xueliang， et al. Investigation on mass customization clothing shape classification by artificial neural network［J］. Journal of Wuhan Textile University， 2018， 31（3）： 41-45.

［22］汪海仙， 尚笑梅. 人體體型分類方法研究綜述［J］. 現代絲綢科學與技術， 2019， 34（3）： 37-40.

WANG Haixian， SHANG Xiaomei. A review of research on human body classification methods［J］. Modern Silk Science & Technology， 2019， 34（3）： 37-40.

［23］方方， 王子英. K-means聚類分析在人體體型分類中的應用［J］. 東華大學學報（自然科學版）， 2014， 40（5）： 593-598.

FANG Fang， WANG Ziying. Application of K-means clustering analysis in the body shape classification［J］. Journal of Donghua University （Natural Science）， 2014， 40（5）： 593-598.

［24］孫才志， 王敬東， 潘俊. 模糊聚類分析最佳聚類數的確定方法研究［J］. 模糊系統與數學， 2001（1）： 89-92.

SUN Caizhi， WANG Jingdong， PAN Jun. Research on the method of determining the optimal class number of fuzzy cluster［J］. Fuzzy Systems and Mathematics， 2001（1）： 89-92.

Customized sizes for young women’s group clothing with a single customized order

ZHANG Chi， WANG Xiangrong

XU Xipenga， XU Yannib， JI Xiaofenb

（a.School of Fashion Design & Engineering; b.School of International Education， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract： With the improvement of material living standards， consumers have a higher demand for fitting clothing. Due to the characteristics of low cost， high quality， and fast speed， mass customization of clothing has become an important way to meet the needs of consumers for high fitness and good production efficiency of enterprises. As the basis of mass customization of clothing， clothing size is prone to mismatches between size and individual body shape， making it difficult for clothing to meet consumers’ higher fitness needs. Therefore， the technical methods for formulating clothing sizes should be innovated to further meet the needs of mass customization of clothing.

To meet the higher demand of consumers for clothing fit and the need of enterprises to improve the production efficiency of clothing customization， a method for formulating customized sizes for young women’s clothing considering the loss coefficient of fit was proposed. Eight human body data were collected from 100 young women aged between 18 and 25 by using ［TC］2 three-dimensional human body scanning. The measurement sites included height， chest circumference， waist circumference， hip circumference， back length， shoulder width， leg length， and thigh circumference. After performing data preprocessing on the collected initial human body data， we deleted the missing and abnormal values， and then performed a normal distribution test. It is verified that the data conform to normal distribution. We also performed principal component analysis on the pre-processed data to determine the number of components， and extracted two components with initial feature values greater than 1. After determining the basis variables for clustering through correlation analysis， the optimal number of clusters was determined by using the loss coefficient of fit method. Then， the sample data were classified through K-means clustering analysis， and the linear regression analysis was used to set the grade to obtain a customized size table. To prove the superiority of the loss coefficient of the fit method， two other methods including the mixed F statistics and the sum of final cluster center distance for determining the number of clusters were selected， and a comparative experiment was conducted. According to this research idea， we established a loss coefficient of fit model and selected the optimal cluster number from the perspective of clothing and individual fitting to determine the optimal size table for clothing mass customization. The research results show that the coverage rate of the clothing size table based on the loss coefficient of the fit method is as high as 95.40%， and the fitting loss is only 0.039 9. It is superior to the mixed F statistics and the sum of the final clustering center distance in terms of size coverage， clothing fitness， and production efficiency.

The method of the loss coefficient of fit provides a new way of thinking for the formulation of clothing size， and improves the size coverage rate based on giving priority to meeting the fitness needs of consumers. The research results can provide customized size development methods for single orders of niche brands and small and medium-sized enterprises. It is unnecessary to build a three-dimensional human body database for consumers， but necessary to quickly develop a clothing mass customization size table by collecting data on the eight important measurement positions of consumers within the order.

Key words： clothing mass customization; clothing size; cluster analysis; loss coefficient of fit; clothing fit

收稿日期： 20221102;

修回日期： 20230702

基金項目： 浙江省教育廳一般項目（21190071-F）;浙江理工大學科研基金啟動項目（21192116-Y）;安徽省紡織工程技術研究中心、安徽省高等學校紡織面料重點實驗室聯合開放基金項目（2021AETKL03）

作者簡介： 徐希朋（1998），男，碩士研究生，研究方向為服裝智能制造、服裝供應鏈管理。通信作者：季曉芬，教授，博導，xiaofenji@zstu.edu.cn。