销售预测是企业管理的重要环节,做好销售预测,对企业合理配置资源,科学组织生产,降低成本,增加利润,进一步提高企业的竞争力具有十分重要的意义。销售预测,是一个对过去的销售信息采用一定的销售预测方法进行分析,并推测未来销售情况的过程。销售预测方法的选择是企业销售预测过程成败的关键。从预测方法的研究历史来看,最初以定性预测方法为主,而后是定量预测方法的研究,再到目前流行的组合预测方法的研究。由于每种销售预测方法的应用都有各自的前提条件、优势、劣势以及误差特性,在具体应用时,需要综合分析以确定最优的预测方法。本文首先对常用的预测方法进行了比较研究。在此基础上分析了组合预测方法的优势。其次,通过对国内外销售预测模型方法理论的研究,建立了基于粒子群优化的支持向量机组合预测模型。该模型选取残差改进的GM(1,1)模型、基于主成分分析和粒子群优化的支持向量机回归模型、基于LMS算法的自适应滤波器模型作为组合预测模型中的三种单项预测模型。首先采用三种单项预测模型进行预测,然后将三种预测模型所获得的预测结果作为组合预测模型的输入,实际值为输出,最后利用组合预测模型进行预测,获得最终预测值。本文提出的组合预测模型不仅能够充分利用产品销售的历史数据的信息,同时能够充分利用研究对象影响因素的数据信息。组合预测模型的构建过程如下:第一步,残差改进的GM(1,1)单项预测模型的构建。此单项预测模型的构建过程是首先建立GM(1,1)预测模型进行预测得到原始预测结果,然后利用该预测结果与实际值获得残差序列,最后利用残差序列建立GM(1,1)预测模型进行预测得到残差预测结果,原始预测结果与残差预测结果之和就是整个预测模型的预测结果。第二步,基于主成分分析和粒子群优化的支持向量机回归单项预测模型的构建。此单项预测模型构建的是支持向量机回归预测模型。首先,研究对象的影响因素的选取。在选择研究对象的影响因素时,本文从对象本身的特征因素和外界宏观经济环境因素两个方面来选择影响因素。然后,对选取的影响因素利用主成分分析方法提取主成分。在进行主成分分析前需要将影响因素标准化,之后进行主成分分析,按照某种原则提取出主成分。最后,利用提取后的主成分进行粒子群优化的支持向量机回归预测。回归预测结果就是该模型最终的预测值。第三步,自适应滤波器单项预测模型的构建。此单项预测模型是通过构建基于最速下降算法的自适应滤波器预测模型进行预测。最后的预测结果就是该模型的预测值。第四步,基于粒子群优化的支持向量机组合预测模型的构建。基于前三步构建的三种单项预测模型来构建此组合预测模型。将三种单项预测模型的预测值作为该组合预测模型的输入,实际值作为输出进行基于粒子群优化的支持向量机组合预测。最后的预测值就是本文所构建的销售预测模型的最后预测值。最后在MATLAB和SPSS软件的辅助下,利用收集到的某家企业石油产品销售数据对该组合预测模型进行了实证分析。结果分析如下:对于单一模型而言,支持向量机回归预测模型的预测精度最高,平均绝对误差达到51.33。自适应滤波器模型的预测精度为113.70,略高与回收预测模型的预测结果 131.13。对于组合预测模型而言,本文提出的组合预测模型的平均绝对误差达到了24.26,远远小于单一模型中具有最高预测精度的支持向量机回归模型。因此,可以看出,本文所提出的组合预测模型不仅实现了从时间序列的规律性变化来预测,而且也可以从回归分析中影响因子的角度来预测,预测精度大大提高。本文提出了基于组合预测方法的企业销售预测模型。本研究对科学的销售预测方法在企业中得到广泛推广和运用,促进企业管理水平的提升具有一定的实际意义。