物料需求预测对供应链的影响深远,是制造企业进行生产的重要前提。现阶段大多数企业对于物料需求预测是建立在ERP系统的基础之上,主要过程为通过销售需求预测,生成主生产计划,然后通过分解算法,形成物料需求计划,最后结合物料清单、库存信息和生产产能确定具体的物料采购计划。这种通过分解算法的预测方法虽然能够分析数据之间的内部结构,解释清楚物料预测的来源,但是需要企业内部进行大量的核算进行数据的获取,浪费大量的时间,且预测的提前期短,给制造企业及其供应商的反映时间过短,最终造成由于物料的供应不能满足制造企业的生产计划,迫使企业改变生产量的局面。本文将深度学习应用于制造企业的物料需求预测问题的研究中,提出针对制造企业ERP系统物料需求预测的辅助性预测方式。随着与日俱增的数据量、数据种类和规模,对企业处理数据的方法要求越来越高。深度学习在2006年被正式提出后,受到了各界研究人员的青睐。在拥有大量数据训练时,深度学习比传统机器学习表现的更好。本文以销售需求时间序列数据和以往的物料需求时间序列数据为输入,利用BP神经网络对数据进行训练,然后输出未来时间段内的物料需求值。因此本文将销售需求预测和物料信息的历史数据作为输入,通过BP神经网络建立模型,既考虑到销售需求预测这一种决定性因素,同时也考虑到历史中物料消耗量,以此来达到使预测更加精确的目的。本文采取两种模型对物料消耗量进行预测,分别是CNN模型和CNN-LSTM模型,通过对两种模型分别对包含不同自变量时求解出的结果进行对比,分析预测误差。结果表明:发现在制造企业物料需求的预测问题上,当自变量包含销售需求预测和物料消耗预测和物料属性信息的情况下,两种预测模型都比只包含物料消耗数据这以自变量的情况下预测误差更小,结果更优。同时,将输入层包含三类自变量的两种模型预测结果对比,发现CNN-LSTM模型的预测结果比CNN模型的预测结果更优。利用CNN-LSTM模型进行物料需求预测,可以解决制造企业在物料需求预测过程中出现的两个问题:(1)提前期较短,(2)操作复杂,数据获取和核算困难。该研究结果为制造企业物料需求预测提供了较为科学的解决方案。