销量预测在企业决策方面起着至关重要的作用,如今随着企业的智能化,企业数据量越来越大,从销售数据中挖掘出内在的信息,是值得深入讨论和分析。本文的研究工作基于上述背景,论文以数据挖掘技术为手段,在销量预测方面,已经有了许多相关的模型。比如说简单的线性回归模型、以及复杂的数据挖掘算法比如说集成学习、神经网络。在大数据时代,产品属性的维度较高,而传统的特征工程和模型是脱离的,我们本文将从线性回归出发,构造新的销量预测模型,可以能够同时进行特征选择和线性回归,主要原理是从众多特征中选取若干个特征,构造线性回归模型,使其有较好的预测效果。如今整数优化和计算机计算水平的进步可以加速求解混合整数二次优化问题,我们提出的同时进行特征选择和线性回归模型实质上是求解混合整数二次优化问题,主要是来解决线性回归中在给定n个观测值从众多特征选取若干个特征的最优子集问题。而给混合整数二次优化问题添加初始解和一些约束条件可以加快求解速度,我们提出了 DFO算法,其所得解作为混合整数二次优化问题的初始解,这样我们就建立了可以同时进行特征选择和线性回归模型。我们提出的模型（a）提供的解可以保证即使我们提前终止算法也可以保证得到次优解,（b）可以适用于有约束限制的线性回归,（c）可以扩展到目标函数为绝对离差损失函数以及有正则化项的损失函数,我们将使用大量的人工数据集和真实的商品销售数据进行数值实验,编程实现求解模型,并从准确度、模型解释性等各个方面做出比较,对比同时进行特征选择和线性回归模型、Lasso回归、逐步回归等线性回归特征选择方法。