作为我国现代经济发展支柱行业之一的建筑业,随着中国经济社会的发展也在蓬勃发展。从2013年开始,中国建筑行业产能水平明显提高,各个企业规模稳步增长,所承建的工作量也稳步增加,整个建筑行业的技术实力明显提高。然而,由于建筑业施工点多、覆盖范围广、施工周期长等特征,其用工成本持续上涨,物料费用也居高不下。为了降低施工成本,库存控制现已成为提升企业物资管理效率和提高收益的主要手段,对建筑行业物资材料的需求预测与控制进行研究具有现实意义。本文将运用需求预测的相关理论和时间序列预测领域的相关方法,对建筑企业机械设备备件的需求进行预测,为施工企业设备备件需求控制提供新的思路和解决方案。本文在总结国内外库存管理和需求预测理论与方法的基础上,分析对比了各种预测模型的特点。其中Prophet模型它具有拟合速度快、灵活适应性、解释性强的特点,适用于具有明显的内在规律的商业行为数据、有持续性的历史趋势的数据,LSTM（长短期记忆网络,long Short Term Memory）神经网络模型在具有更多固定成分的不稳定时间序列预测上有很好的效果、适用于非线性的时间序列。在建筑企业设备备件需求预测中,研究目标的历史数据不仅包含线性关系而且包含非线性成分。为提高模型实用性和预测精度,依据设备备件历史消耗特点与消耗量,结合建筑企业物资需求管理办法,构建了Prophet-LSTM组合预测模型。Prophet-LSTM组合预测模型结合了线性模型与非线性模型的特点,先利用Prophet模型预测,再使用LSTM模型减少预测结果中的非线性误差。在Anaconda集成环境下,运用Tensorflow框架和Facebook Prophet Python插件,构建Prophet-LSTM组合模型运行环境。选取A企业某项目部的设备备件13个月消耗数据作为原始数据,将数据集划分为训练集与测试集,其中训练集为周期一整年的数据、测试集为周期一个月的数据;然后利用Prophet与Prophet-LSTM组合模型预测测试集中的数据,计算了平均绝对误差（MAE）和均方根误差（RMSE）,并对预测误差进行了比较分析。结果表明,Prophet-LSTM组合模型较Prophet单一模型有效地降低了设备备件需求预测的误差,误差降低了10%以上,提高了预测精度,从而为企业机械设备备件采购方案提供参考依据。