产品之所以时尚在于它们能够反映当今的流行趋势。对时尚产品生产企业而言,需具备识别与预测流行元素的能力。而对产品流行趋势的预测多是采用专家的定性预测,近年来已有定量预测的研究。定量化的预测方法,一方面,其数据多采用产品的销售数据。本文基于对销售数据进行了特征分析,进而构建了组合预测模型对产品的流行趋势进行预测。另一方面,网络搜索数据和经济行为的相关性分析已成为了焦点研究问题。网络搜索数据中蕴含着消费者的潜在需求,因此本文将网络搜索数据作为销售数据的补充构建预测模型对互联网时尚产品流行趋势分别进行了在线和离线预测。产品能否流行受消费者心理需求的影响并反映在消费行为上,从长期来看群体消费行为具有一定的规律性,而短期消费行为由于受诸多不确定因素的影响则表现出极大的不稳定性,这给流行元素的短期预测带来了很大的困难。消费行为的不确定性反映在产品销售数据的变化方面是线性与非线性现象并存。在第一部分研究工作中,本文面对这一数据特征,分别采用ARIMA时间序列模型和ELM极限学习机模型分别对销售数据进行线性建模和非线性建模,然后采用加权投票的方法进行集成,建立组合模型。实验数据采自淘宝商城2010年1月—2013年7月服装交易的行业数据,利用提出的组合模型对短期内服装颜色的流行度进行了实际预测,结果表明该组合模型较之单一预测模型其预测结果既合理又准确。网络搜索数据不仅反映了用户的焦点关注与个性化需求,其中还蕴含着群体的某些社会或经济行为。在第二部分研究工作中,本文首先在理论上分析了网络搜索数据和成交数据之间的关系,并验证了网络搜索数据的预测能力。然后利用网络搜索数据和历史成交数据建立预测模型,针对时尚产品市场需求不稳定、产品更新速度快等特点,构建具有较强学习能力和泛化能力的ELM极限学习机模型,对时尚产品的流行趋势进行预测。数据来源为淘宝指数的流行元素关键词网络搜索量和成交量数据。与传统的统计预测模型相比,加入搜索数据后,本文构建的模型预测精度较高,该模型对流行趋势的转折点具有较强的预测能力。同时针对实际应用,构建了OS-ELM模型实现了互联网时尚产品的在线预测。