商品的销量预测对企业一直具有重要意义,特别是对于诸如时装等一类的短生命周期产品而言,不准确的销量预测往往会导致库存积压、现金流占用等问题。为提高预测的精度,学者们提出了许多方法,其中主要包括两类模型:时间序列模型和基于机器学习方法的预测模型。时间序列模型是根据历史销量数据序列进行预测,能够发现销量的季节性与趋势性,在耐用消费品上取得较好的预测精度。但是对于快速消费品为代表的短生命周期产品而言,由于产品销量序列不平稳且销售周期短,导致时间序列的预测精度较差。为了提高预测精度,学者纳入反映用户购买行为的变量,应用机器学习方法来进行预测,用于预测的行为变量大都为结构化数据,解决的也是较为简单的线性或者周期性预测任务。在电子商务环境中,由于图片传递了大量有关产品款式、颜色和材质等信息,但由于传统机器学习方法的技术限制,包括商品图片在内的非结构化信息一直未纳入销量预测模型的预测变量中。面对销量预测研究中所遇到的问题,本文结合深度学习算法在处理复杂任务和非结构化数据上的能力,以短周期产品中最具有代表性的快速消费品为研究对象,遵循过往研究中所提到的基于机器学习方法进行销量预测的研究范式,首先通过对消费者行为进行分析,选取包含图片、价格与折扣、历史销量等的销量影响因素作为模型的输入变量,分别运用全连接神经网络、卷积神经网络、循环神经网络三种不同神经网络模型处理结构化数据、图片数据和销量序列数据,构建深度神经网络进行特征表示,进而根据以上三类深度神经网络的输出,运用全连接神经网络训练销量预测模型,借助于南京某服装电子商务公司的实际数据进行测试,与指数回归方法相比,深度学习模型的预测没有明显的滞后性,与浅层神经网络相比,深度学习模型在商品销售初期的预测精度更高。最终发现本文所提出的销量预测方法相比指数回归和浅层神经网络有更高的精度。论文所提出的结合图片等非结构化数据的深度学习预测方法,不仅为电子商务中短生命周期产品提供了更为精确的销量预测方法,而且也为管理实践提供了一种有效的深度学习方法。