零售业是引领世界产业发展的重要产业之一,近年来房屋租金和人工成本的上涨以及电子支付的普及,使得传统零售业的成本快速上升的同时,自动售货机得到迅猛发展。自动售货机作为一种可移动、交易方便且售卖商品不受时间地点约束的自动化交易设备,可以在满足用户消费需求的同时,有效降低零售成本。目前已经成为全球各大零售企业的关注重点,其市场发展前景非常广阔。就销售而言,自动售货机的产品价格较传统零售商店而言更加稳定,不受促销和捆绑销售的影响;就库存而言,受制于有限的售货机容量,自动售货机无法提供同零售店一样的充足的库存,虽然信息技术的发展使得缺货时间和状况可以被及时获悉,但由于自动售货机的补货较传统零售业更不频繁,依然容易造成销量损失,使得针对售货机内的产品需求预测在指导补货上意义重大;就成本而言,食品自动售货机销售食品保质期相较于普通自动售货机更短,企业需要通过预测各个产品的需求量,来减少由于产品过期而导致的损失。本文对各单品在各销售单元的需求量进行预测。这一预测问题的难点在于,食品自动售货机的产品需求零星,并且波动性大,导致绝大多数日需求序列是间断的,在序列里存在着大量需求为零的时间点,使用普通ARIMA时间序列模型的预测偏差较大,此外自动售货机的产品需求受库存限制较大,传统处理间断时间序列的Croston方法、Syntetos-Boylan近似方法(简称SBA方法)等方法在此问题上的预测准确度并不理想。针对自动售货机销量数据时间序列的特点,阅读国内外相关领域的研究文献,详细地介绍分析了现存的产品需求预测方法以及他们的缺陷,并在此基础上进行提出改进优化,以提高产品需求预测精度和适用性,形成新的预测模型,从而指导生产实践。本文以传统间断时间序列预测方法为基准模型,在这些基准模型的基础上提出聚合分解的预测方法。首先,对原始数据进行聚合,改变时间序列的观测周期长度,得到一个周期需求量,以周期需求量作为时间序列,或者转化为销售单元级别的观测值,对每个销售单元的需求量进行预测。然后,对聚合后的时间序列使用普通ARIMA和Holt-winters的方法进行一步预测。其次,本文在Croston方法和SBA方法的基础上提出基于贪心思想的Croston和SBA方法,使用基于贪心思想的Croston和SBA方法以及按比例分解方法将聚合结果分解到产品级别或者日观察周期的预测单位上,作为每个产品的需求预测结果,比较不同聚合分解组合方法的预测准确度。最后,结合集成学习的方法,对预测效果较好的模型进行集成学习,形成最终的模型。为了得到更准确的分析结果,我们利用某跨国零售企业近年自动售货机的销售数据,对其销量进行预测,并利用历史数据对模型进行对比检验。实验证明,在对传统时间序列预测方法的改进后,预测的误差大大减小,准确度提高,模型的性能得到了进一步的提升,综合不同聚合分解算法的集成学习方法预测效果更是在各项评价指标上的表现均优于其余几种方法。