随着中国居民消费水平的提高,以及外来咖啡文化的影响,中国的咖啡市场需求正在快速增长,国内开始出现一些本土咖啡连锁店。实现连锁咖啡企业门店的订货的自动化,能有效降低门店人员的人力成本,提高供应链自动化水平,并且在单店信息的基础上,结合全国门店信息综合决策。在自动订货系统中,主要包括需求预测和订货策略制定这两部分,但是由于诸如季节性、促销等外部因素,使得咖啡连锁企业的商品需求的预测难度较大,而由于商品需求的不稳定,订货策略的制定是一个很大的挑战。基于此,本文以L咖啡连锁企业——L公司,为研究对象,围绕其需求预测和订货策略制定这两方面问题展开了研究。本文首先分析了 L公司的销量数据,发现休息日和工作日的销量存在明显差异。因此,在预测模型构建中,本文将销量时间序列数据按照休息日和工作日进行分割,并基于深度学习对其分别进行建模。但因休息日通常中包含了节假日等因素,使得休息日的销量时间序列的规律比较难以识别,因此针对休息日销量的预测,补充了一个第二阶段预测模型,以实现对第一阶段中休息日销量预测结果的调整。在结果评估中,本文所提出的模型的效果要优于传统的ARIMA时序预测模型。接下来本文根据所构建的预测模型和商品特性,设计商品的订货流程策略。本文的订货流程分为两个,非短期报废类商品和短期报废类商品的订货流程,其中非短期报废类商品选择动态订货策略,即动态地更新每一期的订货点和订货量,对于短期报废类商品则选择按需订货的订货策略。在非短期报废类商品的订货流程设计中,本文采用了引入“调整系数”（由历史需求的预测误差计算所得）的办法,对订货期的需求预测进行调整,使其能够更好地满足实际需求,这一机制可实现将随机需求问题近似为确定需求问题,并基于此确定订货点和最大库存水平。本文最后针对两种订货流程,分别列举了两个样例进行订货流程的案例分析。本文的研究使用基于深度学习的方法进行需求预测,并根据历史预测误差来制定订货策略,在一定程度上对供应链理论的发展有一定参考价值,且文中描述了企业自动订货的整个流程,对企业的订货系统的实现具有重要的实践意义。