随着当前经济的快速发展、客户需求个性化发展,不仅传统销售企业面临着迅速响应客户需求、缩短商品物流时间,线上电商企业更是面临着这种响应问题。当前市场竞争越来越严重竞争压力越来越大,销售预测不仅关系着企业库存成本的高低,同时关系着企业未来的发展。有效的准确的销售预测,销售企业能够及时而准确的安排采购量,既要备好商品库存,以备不时之需,也要保证商品库存不要过多导致库存积压进而导致企业损失,最重要的要保证能够及时响应客户的需求提升客户满意度,打开市场口碑。销售预测是当前企业研究重点,虽然有很多模型和方法运用到销售预测上面,但是每个企业、行业销售特点不准确,研究特定问题,并不具备普遍适用性,因此研究A企业的角度上我们要构建一个有较高预测精度,且针对A企业销售特性的模型用于企业销售商品需求预测。本文的主要研究工作包括:首先通过研究当前国内外文献,分析比对了各种类型的预测方法和模型特点。根据销售商品时序性的特点,本文先基于企业历史销售数据对时序列数据变化进行线性预测,ARIMA模型是一个基于时间序列的线性模型,此方法不用考虑影响商品销售的客观因素,只关注随时间变化的历史数据,在很多预测场景下都能够使用,但是ARIMA模型只是一个简单的基于时序列数据的线性模型,无法拟合时间序列的非线性部分,预测精度不太高。所以本文在ARIMA模型的基础上运用组合模型提高预测的精准度。本文在时间序列模型的基础上,建立了能够拟合非线性成分的LSTM神经网络。将ARIMA模型与LSTM神经网络合成构成组合模型进行商品的销量预测。组合模型可以考虑不同模型的特点,利用LSTM神经网络模型能够弥补线性ARIMA模型中不能够拟合的特点。通过组合预测提升了预测模型的有效性,然后本文借助非负权重最优组合的原则将两种模型进行组合,通过组合模型之后的预测数据,实际值与误差值的误差进一步降低,比单一的模型预测效果更佳。针对汽车售后服务商品的销售数据建立的销售预测模型,能够提高企业的周转以及客户满意度,本文既研究了基于时间序列的线性模型,又加入了非线性的影响因素,通过对模型的训练得到了能够使预测精度值最大的销售预测模型。