在电商供应链管理中,商品的短期需求量预测是电商供应链中一项关键的任务,准确的商品需求量预测不仅可以帮助企业制定合理的补货计划和库存决策以降低企业的库存成本,同时也能提升供应链运行效率、满足消费者体验。然而,由于电商环境下商品交易具有动态性、间歇性以及影响因素复杂等特点,故电商商品的短期需求量预测问题成为该领域的难点和重点。在此背景下,本文首先对国内外学者在商品需求量预测方面的研究进行了学习,系统分析了电商商品需求量预测模型及内容方面有待解决的问题。其次,对电商商品短期需求量相关概念、特征等内容进行界定与说明,并对电商商品短期需求量预测相关内容及预测方法理论进行了研究,为后续预测建模做基础支撑;另外,通过对预测方法的对比研究,结合电商商品短期需求量相关特征及影响因素,基于前人的研究成果,构建了能够同时对特征集进行学习与抽取、模拟时间序列趋势以及需求概率分布的多层混合深度神经网络(AR-MDN)模型;再者,利用探索性数据分析以及特征工程方法理论对收集到的电商商品历史交易数据进行了预处理,构造了预测模型所需的原始特征集群;最后,利用构造的电商商品特征集群数据对多层混合深度神经网络模型的预测效果进行验证,并与ARIMA模型和MLP-LSTM模型的预测结果进行了对比分析。通过对电商商品短期需求量进行预测,结果表明基于AR-MDN模型的电商商品短期需求量预测值与真实值拟合效果良好,预测误差稳定,模型具有一定的有效性;因本文的特征集考虑了衍生特征,故比较了有无衍生特征对AR-MDN模型预测效果的影响,发现衍生特征在提升模型的准确性方面有一定的作用。其次,与两个对比模型的预测结果相比,AR-MDN模型在电商商品短期需求量预测方面具有更低的均方根误差(RMSE)和平均绝对百分比误差(MAPE),且AR-MDN模型在区域分仓中的预测结果优于其他两个模型,说明AR-MDN模型在电商商品短期需求量预测方面具有更好的精确性和鲁棒性。