随着制造技术的进步和客户需求的多样化,当代制造企业正面临着迅速响应客户需求、缩小产品交付期的压力。在新的市场形势和竞争压力下,销售预测对企业至关重要。通过有效的准确的销售预测,企业管理者能更为有效地安排生产,合理分配产品库存,即时响应客户需求,提升客户满意度,以此赢得客户和占领市场。虽然已经有众多的模型和方法用于销售预测,但是很多方法和模型都是针对特定问题和特定领域,鲜有对所有预测问题都有效且具备普适性的方法和模型。站在企业的立场上我们迫切想要构建一个拥有较高预测精度且具有一定适应性的模型用于对产品未来需求的预测。本文主要做了如下的研究工作。研究和对比了国内外销售预测的研究现状,分析和对比了各种预测方法和模型的特点。ARIMA模型通过研究历史数据随时间变化规律来预测未来的数据,在销售预测上就是根据历史销量预测未来销量。此方法可以不必去分析影响产品销量的诸多因素仅仅关注历史数据,在很多预测场景下都能适用,但是ARIMA是一个线性的模型,无法拟合复杂时间序列的非线性成分,预测精度不高。本文针对该问题的解决方法是从时间序列分析的角度出发,在ARIMA模型的基础上运用混合模型提高预测精度。本文基于混合模型的思想,将深度神经网络LSTM模型和传统的ARIMA模型结合构成混合模型进行销量预测。混合模型能够综合不同模型的特点,借助LSTM模型的优秀特性能够弥补线性ARIMA模型的不足,从而提高预测精度。传统模型混合方法假设时间序列的线性成分和非线性成分是简单的加和关系,这种简化存在一定风险,会导致预测精度降低。本文对传统模型混合方法做了改进,并不事先假设两者之间的关系,而是利用LSTM神经网络的自学习能力去刻画两者之间的复杂关系。理论上本文模型混合方式更加科学合理,构建的模型具有更高的预测精度。通过实验验证本文模型混合方法和传统模型混合方法的优劣性。设置了四组实验并选选取了平均绝对误差(MAE)和平均绝对百分比误差(MAPE)两种指标分别比较了单一模型和混合模型,按照本文方式构建的混合模型和传统方式构建的混合模型在预测精度上表现,论证了本文混合模型构建方式的优越性。最后,遵循软件工程的思想设计和实现了基于混合模型的销售预测系统。