生成产品级销售预测是快销服装品牌企业健康发展的重要先决条件。由于有着特殊的高度动态且不稳定的商业环境,一款快销服饰存活市场的生命周期较短,因此对于生产分配计划有着更为严格的要求。在激烈的市场竞争中,不适应产品的真实销售情况而一味盲目的减产或补货,会导致产量与实际销售不匹配,从而出现缺货或是库存积压的现象,徒增成本损耗影响企业发展。而通过销售预测,可以在结果有效的基础上,根据数据的动态变化进而调整生产计划,根据预测结果执行动态弹性的调包任务,对企业的商业决策起到重要不可忽视的指导作用。本文为降低全国范围内线下门店供需不匹配情况出现的概率,针对性分析不同地区不同阶段的销售需求。为构建高精度的预测模型所做主要工作如下:1.分析原始数据特征,筛选相关影响变量,对原始数据进行预处理,并根据业务需求对处理后较纯净的数据记录进行多维度合并。2.针对现有的Prophet时序模型进行加权项分解,分析优化各组成项,并采用基于TSTKS算法与滑动窗口相结合的变点选择算法,标注出变点在时间序列的位置,并将其融合到核心组件趋势项里以此优化Prophet模型表现。3.构建参数适宜的LSTM模型,并通过对比选择合适的加权算法,求解得出最佳权重因子,与优化后的Prophet模型相结合,吸取时间序列模型与神经网络模型各自优势,构建得到基于Prophet-LSTM的优化组合模型。4.使用科学指标经实验论证衡定模型表现。实验结果如下:在相同实验条件下,使用传统时间序列ARIMA模型的MAE值为13.284,RMSE值为21.294;经变点选择优化后的Prophet模型MAE值为2.325,RMSE值为3.642;基于Prophet-LSTM的优化组合模型MAE值为1.603,RMSE值为2.518。经实验数据验证表明,传统的时间序列模型在本商业环境下不能很好的达到精度要求,而基于Prophet-LSTM优化的组合模型,在降低单项模型易受到外界影响因素导致变异风险概率的同时,在一定程度上也提高预测的精度。