商品销售活动已经成为人们生活中重要的组成部分。并且随着互联网的迅速发展,网上购物已经成为一种常态。因此及时掌握商品销量的动态对商家而言是一件迫切而有意义的行为。机器学习在这预测商品销量方面已经取得了不错的成绩。本文设计了一个基于神经网络和集成学习的商品销量管理系统。根据已经销售的商品订单进行统计分析,预测出未来的销量,增加商家的资金流动,减少了货物积压的风险。本文基于神经网络和集成学习等方法,主要对几个方面进行了研究:基于BP网络的商品销量模型设计与研究,本文提出基于BP网络设计商品销量预测模型。经过研究发现,未经过数据处理的原始数据样本维数过高,导致模型并不能很好的达到预期效果,因此提出基于PCA＿BP的商品销量预测模型,PCA可以对特征进行降维处理,减少无关特征,提高模型的效率同时提供了精度。基于XGBoost的商品销量模型预测设计与研究。作为近几年大热的集成学习算法,XGBoost添加了正则项,可以很好地预防模型出现过拟合的现象。XGBoost还使用泰勒二阶展开式,对于精度的控制更加优秀。本文提出了基于XGBoost设计商品销量预测模型,并且设计了经过特征工程的模型和未经过特征工程的模型结果的对比实验。经过实验得出,经过特征工程的XGBoost模型预测结果好于未经过特征工程的XGBoost。基于组合模型的商品销量预测模型设计与研究。经前两个模型的研究表明,通过特征工程方法处理后的模型表现更好,精度更高。本文提出基于PCA＿BP和经过特征工程的XGBoost组合模型进行设计商品销量预测模型,结果好于经过特征工程的单一模型。最后设计实现了商品管理系统,经过测试,该系统运行良好,可以有效的对商品进行管理、销售等一系列有关售卖的行为,并且在商品销量预测上也有良好的表现。