随着人工智能算法的兴起和广泛应用,越来越多的商业企业开始重视将自己的业务与大数据、人工智能等技术相结合,期待利用新兴技术改善公司的运营流程,提升公司的业绩,促进企业的发展。而对大数据和人工智能等技术的应用和研发也逐渐成为当今企业运营管理的重要环节。在企业的运营管理中,销量预测是至关重要的一环,合理的销量预测能根据历史数据准确地预测企业未来的业绩,为企业的经营决策提供重要的依据。针对销量预测问题,我们广泛参阅了国内外的相关研究文献,并结合已有经验设计了自己的研究方案:我们研究了树集成模型中的XGBoost、LightGBM和随机森林算法,分析了各自的特点,并致力于对单个模型和混合模型进行算法的增强提升,然后从理论上对比各算法的优劣,并通过销量预测实验从预测准确率和模型训练时间两方面探究和提升算法模型的性能。我们采用Kaggle网站的销量预测比赛Rossmann Store Sales的数据集进行建模实验。首先对原始数据进行了分析,并进行了相应的预处理和特征构建。然后详细对比分析了XGBoost、LightGBM和随机森林等算法的特点,提出了由结果校正和多模型组合构成的算法增强策略。最后利用Python3.6对三种算法和增强算法进行了建模实验。结果表明,在单一算法模型中,XGBoost模型的预测准确率最高,而LightGBM和随机森林模型的训练时间更快,随机森林模型预测准确率最低。增强策略中的结果校正能极大提升模型的预测准确率,并且简单快捷,能实现秒级响应。在结果校正的基础上再运用模型组合的增强策略则能进一步提高模型的预测准确率。在组合模型中,包含了XGBoost,LightGBM和随机森林三种不同算法的多算法组合模型比单一算法的组合模型预测准确率更高。多算法组合模型的训练时间比XGBoost组合模型训练时间短。这说明我们提出的多模型组合策略从预测准确率和模型训练时间两方面提升了算法的性能。