在企业的物流管理活动中,库存管理占据着极为重要的地位,由于库存管理中存在“降低成本”和“避免缺货”两个效益背反的目标,因此如何准确地预测库存需求成为了企业库存管理的基础与前提,并且直接影响企业的利润和客户服务水平。在全球大数据都呈现井喷式爆发性增长的背景下,企业拥有越来越多的信息数据,对于库存需求的预测要求不再是单一的根据历史销售数据进行时间序列的拟合,而是要求建立能够基于包括历史销售数据在内的多种复杂数据进行预测的更为科学全面的预测模型,实现更加高效准确的预测目标。由于机器学习模型比传统的预测模型有着更为出色的处理复杂庞大数据的能力,因此将更为先进的机器学习理论引入到库存需求的预测中可以实现更优秀的预测结果。本文首先基于R公司200家店铺过去31个月共149,740个历史数据样本,基于随机森林、广义回归神经网络分别建立了三种库存需求预测模型。结果表明,随机森林模型具有很好的“噪声”数据识别能力,预测精度较高,泛化能力强,参数调整复杂程度较低且训练速度较快;广义回归神经网络模型的预测效果仅次于随机森林,虽然对“噪声”数据的识别能力较差,但模型的泛化能力很强,在随机选择的测试样本中表现很好,模型的训练速度快,参数调整难度小,但处理大样本是对计算机的硬件水平有很高的要求;支持向量回归模型的预测精度波动较大,预测结果曲线过于平缓,泛化能力较差,且训练所需要的时间过长,相比于其他模型效率很低。同时,基于随机森林的预测结果可以得出对R公司各店铺需求影响最大的特征是店铺编号和促销,竞争对手和星期也对需求数据有较大的影响。随后,基于Frank和Wolfe算法确定组合预测的权重,并将组合预测的结果与单一模型的预测结果进行比较。结果表明,组合预测的可以达到比单一模型更好的预测精度。本文的研究表明机器学习算法能够在样本集的预测中取得很好的效果,在一定程度上证明了机器学习算法在处理基于大样本数据的库存需求预测问题上有着很好的应用前景。