众所周知,销售预测是商务预测中的一项重要内容,良好的预测结果可以为企业经营决策提供有力的支持,从而增强企业竞争力；而在现实中,由于政治、经济、竞争对手等市场因素及一些人为因素如促销等行为的影响,销量的变化往往波动很大,要做出准确的预测实属不易;如果仅仅采用单项预测模型进行预测很难达到预测精度的要求。　　 数据挖掘作为一门多学科的交叉性学科,目前被广泛应用于商业领域中；它能够从大量的历史数据中按一定的方法提取出隐含在其中的、潜在有用的信息和知识,本文主要对数据挖掘在时间序列预测领域中的应用作了相关的研究,以某大型连锁超市为背景,通过现场调研,在参考了大量文献的基础上,为该超市提出了商品销售预测决策支持系统的体系结构,并重点采用组合预测方法的思想进行了销量预测模块的设计。以饮料类产品的历史销售数据为例,通过对各种销售预测方法的深入研究,对历史销量数据的特征进行了分析,分别采用时序分解模型、GM(1,1)模型和改进后的BP神经网络模型从不同角度对销售情况进行了预测,并对不同的预测方法进行了比较与分析,后采用贝叶斯正则化优化BP网络对GM(1,1)模型和BP网络模型的预测结果进行了组合,以综合各预测模型的优势,弥补单项预没模型的不足。在选择神经网络进行预测用时,本文采用了贝叶斯正则化优化的BP网络,从而明显增强了网络泛化能力和预测模型的可推广性。　　 实验结果表明:贝叶斯正则化优化的BP网络能明显的提高网络的泛化能力；GM(1,1)模型在较少数据情况下同样能得到较好的预测结果；而采用BP网络组合模型能在一定程度上能弥补单项预测模型的局限性,具有较好的预测效果及可行性；对一个企业来说,建立一个丰富的预测模型库,根据数据特征,组合几种合适的单项预测模型在销售预测实际中具有一定的意义。