在实际生产生活中,新产品的产生一般是有相似的产品衍生而来,例如同一品牌的智能手机、笔记本电脑等一系列产品的更新迭代。对于经销商来说,新发售或者新上架的产品往往是采购已经上市销售且具有较好的市场和销售前景的产品。对于此类新产品往往因为缺少历史销售数据,常用的统计和机器学习算法不能较好地预测未来销量。本文基于迁移学习的思想,从时序分布偏移的角度出发,利用拥有历史销量的相似产品来预测新产品的销量。基于循环神经网络在时间序列预测上的优势,选择自适应循环神经网络AdaRNN算法框架,通过时序分布偏移检测将源域数据划分为分布距离最大的K段时序片段,并通过时序分布匹配算法作用于RNN神经网络结构的隐层输出上,自动捕捉分布特征减少分布发散。将相似产品的历史销量作为模型输入,预测新产品未来28天的销量。通过源域数据不同K值的实验对比,本文证明了时序分布偏移在源域（新发售产品）时间序列上是存在的,且可以通过时序分布偏移检测和匹配应用于未来销量预测。我们同样设置K值在目标域的销量预测实验中,得出相似产品历史销量中存在的时序分布偏移特性迁移到目标域的销量预测是合理的。我们同样分析了缺乏历史销量的新产品在不同K值下目标域预测的结果得出,同时与其他模型的预测结果对比,得出AdaRNN在缺少历史数据的未来销量预测时,使用相似产品的历史销量训练得到的结果相比于其他模型更好。由于AdaRNN模型对时序分布偏移是未知的,我们认为划分时序片段并不精确,且通过实验得出如果不能准确检测发生时序分布偏移的时序片段,将会发生负迁移导致实验结果精度下降。