随着互联网和电子商务的发展,目前我国已经成为全球最大的网络销售市场,网络购物这一消费模式也已经逐渐成为我国国民日常生活当中必不可少的一种生活方式。销售预测作为企业管理中重要的一环,能够让商家更加准确地以销定产、避免产品积压,合理管理产品库存、安排生产进度,及时增补产品、避免出现供不应求等现象。与传统的线下门店销售相比较,电子商务具有数据采集简易、数据处理迅速、数据量庞大等优势,可以利用这些优势更加便捷准确地进行商品销量预测。在电商组织营销活动日前后,销量会有明显波动。针对这一特点,本文基于深度学习组合模型来研究电子商务销量预测。本文提出了两种方法,方法一:使用某电商网店的历史销量数据,在Keras框架下搭建三层LSTM神经网络模型,对比分析CNN模型、传统的LSTM模型、ARMA-SVR组合模型以及Wave Net-LSTM模型的预测运算结果,证明新模型在预测准确度、训练效率等方面都有一定的提升。方法二:在方法一的研究基础上,将Prophet模型与多层LSTM模型进行组合,最后使用PSO算法将两种模型的预测结果进行权值结合,得出更加适应电商销售在营销活动日前后销量波动特点的销量预测网络模型。并使用淘宝某服装类电商的销售数据集进行了对比试验,对比了单一的Prophet模型、多层LSTM模型、传统的ARIMA时间序列回归模型,实验结果表明,在电子商务这种销量波动比较大的情况下,Prophet-LSTM-PSO组合模型的性能更加优越,预测精度有进一步提升。本文通过基于深度学习对电商销售预测的研究,在提升预测精度的基础上,可以有效的平衡电商企业生产值与销售量,对于电商企业管理库存存储量有着更科学的指导,同时对于商品的促销活动也有更好的方案来促进商品销量。