促销在企业的市场营销战略中扮演着非常重要的角色。随着消费需求的多元化和产品的同质化趋势日趋明显,零售企业纷纷加大对终端促销活动的投入,以刺激消费者的购买欲望。零售企业的促销活动很大程度上增加了产品需求的不确定性,使得企业对产品需求进行及时、准确的预测变得更加困难。针对服装产品生命周期短、季节性波动明显等特征,本文把人工神经网络理论引入到销量预测领域,构建基于BP神经网络的混合销量预测模型,对某品牌服装产品的月销售数据进行了预测仿真。本文首先对促销影响因素理论进行了研究,选取了需求的季节性、产品的生命周期、促销价格折扣、节假日天数以及广告活动投入等8种不同的影响因素,并且对这8种影响因素进行量化,以定量的方式度量不同的影响因素对于产品销量的影响程度。然后,利用SPSS统计分析软件对这8种促销影响因素进行了主成分提取,以降低输入数据的维度,消除不同影响因素之间的相互作用。标准神经网络由于其训练机制的局限性,不可避免的存在容易陷入局部极小值、训练时间长、预测效果不理想等不足。为了克服网络的局限性,本文提出把主成分分析法、粒子群优化算法和BP神经网络相结合,分别从数据质量和初始参数两个方面对BP神经网络进行了改进——首先,利用主成分分析法对促销影响因素进行主成分分析,将提取的主成分作为BP神经网络新的输入,以简化网络的结构,提高网络的泛化能力；然后,利用粒子群优化算法对BP网络的初始参数进行训练,将粒子群优化算法所得到的群体最优极值作为网络的初始权值和阈值,以缩短网络的训练时间,提高网络的预测精度；最后,利用充分训练的预测模型进行模拟仿真。最后,本文以S品牌某款男士衬衫的月销售数据为例,进行了实例研究,并且对几种不同预测模型的预测结果进行了对比,以验证模型的有效性。结果表明,基于PCA的PSO-BP预测模型能够有效的简化BP网络的结构,减少网络的训练时间,并且一定程度上提高网络的预测性能。本文所提出的方法,可以作为多影响因素预测问题的一种可行的方法选择,具有一定的理论意义和应用价值。