供应链是生产及流通过程中,涉及将产品或服务提供给最终用户活动的上游与下游企业所形成的网链结构,是社会各行业的运作基础。本文将主要工作聚焦于供应链需求预测问题,目前大部分研究仍是基于一种成熟的预测算法,对所有商品统一进行需求预测的应用,较少考虑到实际中复杂的业务场景、数据和模型的适配性,以及海量的数据为算法工程效率带来的压力。论文运用元学习集成预测和机器学习方法,比较多种算法模型的预测效果优劣性,各取所长,适配业务场景,建立有效的供应链预测系统,满足不同场景下的需求预测,为供应链管理者提供精准有效的需求感知,以最优的成本和效率保证生产、库存、销售、运输等问题,满足社会、企业和消费者等等多方需求。本文采用了某供应链企业的近3年的服务数据,包含数万商品的订单、商品、促销数据,旨在预测未来30天的日粒度每个商品在各个门店的销量。针对数据异常值情况,本文分别在订单维度和销量维度,运用IQR方法和3σ法进行大单剔除和销量平滑。由于供应链场景的多样复杂性,秉持着“分而治之”的概念,本文构建了基于销售场景、销售量级、销售趋势3个层面的供应链需求预测系统,针对不同的预测需求和场景,使用合适的算法策略进行处理。首先,针对常规预测场景,本文提出了基于STL分解与SBA需求分类方法的时序分类模型,将数十万时间序列数据分成季节性、趋势项、波动性、间断性、稀疏性5类。针对每一类序列,结合算法模型的特性,使用不同的基模型池,通过构造有效地时序特征,训练对应的元学习分类器,赋予基模型合适的权重,进行集成预测。结果显示,元学习集成预测算法（预测准确率1-wMAPE为71.43%）比简单平均集成预测方法（预测准确率1-wMAPE为34.04%）效果显著提升,特别是在实施时序分类策略后,预测准确率1-wMAPE约提升了 10个百分点。针对促销预测场景,本文使用机器学习算法LightGBM进行预测,对促销活动的折扣力度进行标准量化,通过构建有效的数据特征,对促销活动期间的销量进行预测,在促销活动期间的预测准确率可达72.15%。本文的创新点为:1)结合STL分解模型和SBA需求分类,提出了时序分类算法,并针对不同的序列趋势类型选择合适的基模型池,应用于元学习集成预测中;2)在元学习器的选择上,本文将XGBoost改进为LightGBM,最终在预测准确率和工程效率两方面均有一定程度的提升;3)在使用机器学习算法进行促销预测时,结合直接多步预测和递归多步预测的思想,使用混合多步预测策略,避免了数据特征的损失以及误差累积问题,模型结果也显示预测效果良好。