在商场领域,客流量信息是其运作的一个重要因素。监测客流、研究客流、分析客流,形成决策,进而围绕客流进行定位,以各种手段吸引客流,可以有效的提高商场在行业中的竞争力。然而,客流数据的监测不可避免的会由于种种故障原因产生数据缺失问题。在本文研究的问题中,采用激光感应技术进行客流数据的监测就有可能产生连续的大量客流数据的缺失,这里称之为“大窗口”客流量数据缺失。论文的主要研究目的就是针对这种大量的客流量数据缺失问题给出切实可行的补救方案。本文首先介绍了缺失数据的概念以及几种传统的数据缺失补救方法,然后针对客流监测分析系统中数据缺失的实际问题,构建了以“预测”为主要补救方法的补救模型。在对BP神经网络算法进行了简要介绍之后,本文设计了基于BP神经网路的预测补救模型,并应用于“大窗口”客流数据缺失问题中,结果表明虽然可以拟合实际客流数据的走势,但是精度偏差较大。考虑到客流的流动性,在对客流数据进行了相关性分析后,对训练数据进行了基于时间的预调整,将预调整后的数据重新输入到BP神经网络进行训练,结果表明精度得到了一定的提高,说明预调整是有效的。单一预测模型的精度和稳定性难以保证,同时,由于组合预测模型可以综合利用不同单项预测模型提供的信息,所做出的预测结果较为平稳,所以论文构建了基于多元线性回归预测模型和BP神经网络预测模型的非线性组合预测模型,组合预测模型的系数由非线性的BP神经网络给出。最后,为了进一步提高预测的精度,对组合预测模型的误差也进行了预测,最终得到的是修正后的结果。实验结果表明,基于误差修正的组合预测模型进一步提高了客流量数据的补救精度,其补救的效果要明显优于单项预测补救模型,将此预测补救模型用于“大窗口”客流数据缺失问题是可行的。