基于大数据的服装个性定制
Apparel personality customization based on big data
【摘要】
在网络购物的新时代，用户常常出现所购服装不合身的现象，纠其原因主要是，服装无法上身，尺码不够细化。其与上述情况，笔者通过人体照片拍摄采集，寻找网络时代大数据背景下，尺码细化，匹配以实现服装个性定制的可能性，力求满足网络时代，大购物量的需求并提高网购服装合身度。
In the new era of online shopping, users often appear to buy clothing does not fit the body ,the main reason is that the clothing can not be on the upper body, the size is not refined enough. With the above situation, the author through the body photograph collection, find the network era of big data background, size, refinement, in order to achieve the possibility of customization, and strive to meet the network era, large shopping demand and improve the online shopping clothing fit.
【关键词】
大数据Big data 服装导购 clothing shopping guide 个性定制personalized tailor 尺码细化 size refinement 自20世纪末以来，随着网络技术和计算机技术的快速发展，网上电子商务交易平台得到了快速的发展，它直接改变了原来的交易模式，其相关的电子商务交易总额已与实体门面的交易总额不相上下，且以服装业最为突出，服装行业的网络化交易已成为当代人的首先交易方式，但是在服装电子商务平台的交易过程中仍然存在着很大问题即在网络交易过程中，消费者不能亲身试穿，
尺码不够精细，导致相关衣服裤子等尺码大小不能匹配自身体型。那么如何在网络时代大数据的背景下既保证量的需求，又满足顾客对服装合身度的要呢。笔者基于这一问题，提出大数据下的服装个性定制理念，及用户收藏产品上传自身体型数据，当某一产品收集到大量体型数据时，对数据进行分类，以数据匹配服装尺码，并对于尺码进行细化，加以生产，以精确顾客需求，并根据各型号数据所占数据总量的比重，分配资源，调整各尺码服装生产量。
一：大数据背景
所谓大数据便是指海量信息时代，随着21世纪，网络信息技术的不断发展，互联网公司在日常运营中生成、累积的用户网络行为数据不断增加并被记录，形成了大数据的背景。
随着互联网用户的不断增加，网络购物这一新兴领域逐步发展，收获越来越多的使用客户，随着用户点击量和购买量的增加，网络平台所记录的用户服装选择喜好，类型，尺码等数据也有所增加，当然服装销售商也会积累所购买用户的数据，作为生产进货的参考依据。同时网购服装以便利快捷的自身优势，逐步取代传统线下购买模式，网购服装需求量，购买量也日益增加，网络大数据时代到来的同时，网络服装大数据也悄然形成。
在这样的大数据背景下，我们提出服装个性化生产，基于精准的人体数据测量方式，大数据的背景与合理的数据分析方法，提倡将数据统合，分类，细化，以精确指导服装生产与导购，更好满足生产商，销售方，用户等多方需求。
二：数据测量及采集
所谓大数据是对于一定类型的数据的统合，而大数据背景下的服装个性定制以精准、丰富的人体体型参数的搜集为先决条件，用户可以通过传统测量方法手工测量自身体型参数并上传数据，也可以通过上传照片通过公式分析实现
非接触性测量。
2.1测量方法 1.传统测量
传统测量方法以手工测量为主，以卷尺等材料，就人体相应部位进行接触性测量。这种测量方法所得结果较为精准，并且用户在家就可以完成，具有普及便捷等优点，但操作过程繁杂，较难独立完成，仍具有一定的局限性。
2.非接触性测量
随着图像分析软件的不断开发，非接触性测量逐步发展。非接触性测量与传统测量模式最大的区别就在于非接触性的方式，往往只需借助仪器便可实现测量。非接触性测量主要包括立体摄影测量法、激光测量法、TC2分层轮廓测量法等。非接触性测量也可以以图像提取人体体型特征点，并根据程序算法分析，得出精准人体体型参数。具有高效、快捷、精准等突出特点。
2.2数据采集
传统服装指标对应测量参数为身高、体重、肩宽、臂长、胸围、臀围、腿长。传统测量参数笼统概括，只能在一定范围内反映人体信息，却做不到精准。就拿胸围举例，胸围只是一个笼统而概括的参数，就女性胸部而言，存在上胸围和下胸围之间的差异，以胸围这一参数笼统概括，忽视人体上胸围与下胸围之间的差异性，势必影响用户的购物体验，难以做到服装合身适体。
为实现数据的精准，项目组通过细化分析增设人体体型特征点，提取更多参数，尽可能多地反映人体信息，实现精准测量匹配。测量参数点如下：肩宽、臂长、臂围、上胸围、下胸围、腰围、臀围、上身长、领围、身高、体重，切实提取各部分体型参数，以精确反映人体体型。
用户既可以通过传统测量方式获取各部分精准信息，也可以通过非接触性
测量获取精准信息。我项目组就基于人体体型参数的非接触性测量模式进行了深入研究。通过实拍试验，我们发现正面照和侧面照结合就可以提取到人体必要的体型测量特征点。从正、侧面照对肩宽、臂长、臂围、上胸围、下胸围、腰围、臀围、上身长、领围、身高等数据的测量点进行定位，并以一元硬币为参数，使之至于被拍摄者额头，即可通过长度比对提取到各特征点之间的距离，并通过算法分析精准得出人体各部位体型参数。这样的方法使用者在日常生活中也可简单便利使用，即通过手机拍摄清晰正面照、侧面照各一张，并将战片上传至网络平台，分析可反馈人体体型数据。需要注意的是：需以1元硬币为参照物放置于额头，手机拍摄角度最好垂直于地面。并且就项目组前期实验发现，最佳拍摄所着服装为紧身衣或相对贴身的衣物，拍摄最佳背景为没有杂物的白色墙壁。以上拍摄方式，拍摄方法有助于更好排除干扰项，实现更为精准的人体体型参数提取，实现精确数据采集。
三：数据分析 3.1分析方法
基于数据采集及数据统计形成大数据背景，如何对数据进行分类和处理也是数据精准匹配的重要关键。现今的大数据分类方法主要包括因子分析法、贝叶斯估计技术、降维升维法等。
根据分析法原理，删选有效信息，分类组合，可将用户所上传的体型资料参数按范围进行分类，与服装本身尺寸进行匹配调整，使用户体型数据与服装参数达到精准匹配。
3.2数据细化分类
数据精细化分类，指在原有数据基础上进行加工，通过增加分类项，细化参数等方式，缩小分类范围，提高分类准确性。服装导购数据细化分类也是如
此，为实现精准匹配，还需对用户体型数据和服装尺码分类数据进行细化加工，以提高服装合身度实现精准导购。
以女装尺码为例，传统女装尺码分类如下：
“女上装”尺码对照表(cm)
S 155/80A 78-81 62-66 36 155/160 M 160/84A 82-85 67-70 38 160/165 L 165/88A 86-89 71-74 40 165/170 XL 170/92A 90-93 75-79 42 170/175 上装尺码 胸?? 围(cm) 腰?? 围(cm) 肩 宽(cm) 适合身高(cm) “女下装”尺码详细对照表(cm)
S 155/64A 62-66 84-88 153-157 M 160/68A 66-70 88-92 158-162 L 165/72A 70-74 92-96 163-167 XL 170/76A 74-78 96-100 168-172 下装尺码 腰 围(cm) 臀 围(cm) 适合身高(cm) 从上述传统女装尺码表中我们不难发现其存在着弊端与局限性，参数少，分类粗。传统的尺码表只选择女性极为突出的几个特征参数作为分类依据，参数少，不能反映全部身体特征，容易导致服装部分部位贴身，部分部位不贴身，难以做到精确匹配，极大影响了服装的合身度。另外s、m、L、xl等尺码的划分过于宽泛一个尺码腰围间隔3-4cm、臀围间隔4cm左右等等，可以说在划分上过于宽泛，甚至有可能出现胸围属于m码、臀围属于L码等情况。
基于上述问题项目组提出新的人体体型特征采集点，将原有的尺码分类标准从身高、体重、胸围、臀围、肩宽等拓展至肩宽、臂长、臂围、上胸围、下胸围、腰围、臀围、上身长、领围、身高等多个维度，并提出根据服装划分尺码，细化尺码的理念，细化尺码表，增加分类参考维度，真正做到细化数据、精确匹配。根据提出理念，我项目组初步拟定新女装尺码表，并根据服装本身
基于大数据的服装个性定制
