销售额预测对于企业的运营有着非常重大的意义。许多人已经证明过组合预测是提高预测精度的一种有效的方法。但是,研究表明,表现较好的单项预测模型的组合得到的组合预测模型的表现不一定是最优的。MI(Mutual Information)算法是讨论信息交集和并集的一种算法,与组合预测子模型挑选的本质是一致的,在个性化推荐,文本自动分类和关键帧提取技术等方面有较多应用。本文将MI算法创新性得应用到组合预测中,力求得到精度更高的组合预测模型。本文的主要内容包括以下两个方面:首先,为了应用MI算法,我们基于R语言的tseries、forecast、TSA和pdR库以及python的numpy、pandas、sklearn和tensorflow库,分别用所介绍的单模型建立销售额预测单模型,包括ARIMA模型、门限自回归模型、指数平滑法建立模型、线性回归、贝叶斯回归、弹性网络回归、支持向量回归、梯度提升回归、LSTM神经网络和GRU神经网络。建立模型之后,对各个模型的预测表现进行对比和分析。接下来,将各个单模型加入组合预测的讨论中,使用MI算法挑选出的单模型建立组合预测模型,并且使用表现最优单模型建立组合预测模型作为对比。通过实验,我们发现,表现最优的单模型为支持向量回归,预测误差RMSPE为0.1161,以表现最优单模型作为子模型所建立的组合预测模型的预测误差RMSPE为0.1093,MI算法所挑选出的子模型所建立的组合预测模型的预测误差RMSPE为0.1036。实验证明,组合预测模型提升了预测精度,而且通过MI算法所挑选的子模型使得组合预测模型的预测精度得到了进一步的提升,MI算法在销量预测研究中有很好的应用前景。除此之外,通过本次实验,还发现了门限自回归模型在短期销售额预测和观测值较高销售额预测上的优势,证明了该模型在销售额预测上被研究的意义。