随着电商行业的不断发展,电商企业商品的种类和交易额不断增加,但相应的资产评估模型没有随之配套发展,中小型店铺面临融资难、库存成本高等问题,电商商品短期的销量预测非但能对企业或个人经营者在货品库存的补货计划里起协助作用,且根据预测的结果作出适宜的库存决策可以有效地降低货品的库存成本。然而由于电商商品销量波动具有变异幅度大、不同商品变动异质性等性质,电商交易下的销量异动所受影响因素繁众,这些特征给短期销售量的预测增加了难度,使其成为对电商企业销售研究的难点之一。本文将电商商品短期销量的预测作为研究内容,首先对国内外学者关于电商销量预测模型和技术改进等方面进行学习,提出一种基于LSTM神经网络和XGBoost的组合预测模型以来自于阿里巴巴的生意参谋网站上的真实商品销售数据作为案例进行验证和分析,主要包括:首先对已有的电商销量的预测技术方法以及优化的循环神经网络LSTM、集成算法XGBoost模型的应用进行归纳总结,得出从研究技术上常分为单变量预测法、多变量预测法以及组合预测法实现对销量短期的预测,从销量基于不同的影响因素方面可以使用历史销量和外部影响因素实现对销量的预测,该方面的研究比较少,具体的影响因素还是需要从某个角度切入。其次,通过探究预测电商商品短期销量存在的销量波动幅度大、影响因素繁众以及不同商品销量变动的异质性等问题,从电商交易环节来剖析每个阶段所包含的消费者行为,并以消费者的角度进行潜在订单——下单——支付以及订单完结的流程,得到从浏览、加购、收藏、下单、支付、售后服务等六个板块,确定可能的影响因素,对所有电商商品做不同的聚类处理,选择最优的聚类结果再对不同类别的商品做相同的建模预测,以避免全样本预测带来模型构建的困难,同时佐证了构建的组合模型比单一的LSTM、XGBoost模型具有性质更优的预测效果。最后,对各类别的电商商品分别采用单一模型LSTM、XGBoost的预测,在每个单模型里分别采用历史销量的纯时间序列预测和引入交易环节影响因素的预测,利用LSTM深度神经网络对历史销量和影响因素进行特征提取,提取后的神经元再与原始数据的影响因素等作为XGBoost的输入,生成LSTMXGBoost的组合模型,实验证明对每一类电商商品引入影响因素的LSTM-XGBoost组合模型比纯历史销量的单一LSTM和XGBoost模型预测精度高。