作为工业大国,服装产业在我国工业经济中占有重要地位,是我国重要的经济来源。服装行业技术含量少,准入门槛低,因此行业竞争极为激烈。随着国外快时尚品牌抢滩中国市场,本土品牌急需提高竞争力。因此,充分的市场调研变得极为重要,因为它可以帮助服装公司提升运营效率,改善供应链管理,制定合理的战略。其中,准确预测各类聚合级别的短期服装销量对企业运营管理非常重要,例如,财务部门可以根据销量预测制定营销和投资资金,人力部门可以根据销量预测测定雇佣的人数,高层管理人员可以根据销量预测规划公司的战略发展方向等等。但是,很多因素都会阻碍相关人员对各类服装总销量进行较为精确的预测。例如,服装销量波动较大,影响服装销量的因素较多且难以捕捉。因此,本文从反映消费者需求和影响消费者行为这两方面入手来提升不同类型的短期服装销量预测精度。同时,结合机器学习、深度学习等人工智能方法建立新的模型来挖掘销量数据之间的关系,从而进一步优化短期服装销量预测。本文的主要研究工作和贡献如下:（1）本文系统地探索了网络搜索行为数据对服装销量的预测作用。本文首先从理论上分析了将网络搜索行为数据用于服装销量预测的合理性,然后将网络搜索行为数据应用于不同的服装销量预测模型,探究网络搜索行为数据用于服装销量预测的鲁棒性。整体来说,网络搜索行为数据可以提升服装销量预测的准确度。从细分品类来看,该数据可以提升男装销量预测的准确度,但在女装销量预测上表现欠佳。更进一步,本文还分析了网络搜索行为数据在不同互联网普及率地区对服装销量预测的作用。实验结果表明,在高互联网普及率地区,网络搜索行为数据依然可以提升服装销量预测的准确度。但是,在低互联网普及率地区,网络搜索行为数据却不利于提升服装销量预测的准确度;此外,深度学习模型可以挖掘网络搜索行为数据与销量之间的关系,从而缓解在低互联网普及率地区网络搜索行为数据预测能力被减弱的情况。据笔者所知,本文是将网络搜索行为数据引入服装销量预测的先锋研究。同时,本文还在研究中考虑了不同互联网普及率地区网络搜索行为数据的预测作用,这在之前的相关研究中未曾提及。因此,这为相关部门在今后的研究和实践中如何更好地利用网络搜索行为数据进行预测活动提供了详实的策略建议。（2）本文提出基于长短时记忆（Long Short-Term Memory,LSTM）的组合预测框架。随着人工智能技术的发展,深度学习技术被应用于自然语言处理、图像识别、电力预测等研究领域,并获得较好的表现。预测模型多种多样,每个模型都有自己的优势和劣势,如果将各个模型进行适当的组合,那么将有利于提升预测系统的稳定性,因此组合预测模型一直是一个研究热点。但是,在以往的研究中,大多数组合模型只优于较差的单个模型,并没有优于最好的单个模型,既避免使用最差的模型进行预测,从而提高预测系统的稳定性。为了进一步提升服装销量预测的准确性和稳定性,本文首先从理论上探讨了组合模型的合理性,然后提出了一种基于LSTM的组合预测框架,它不仅包含了网络搜索行为数据的有效信息,而且利用LSTM网络结构的特性,可以充分发挥各个模型的优势和深度学习算法强大的数据挖掘能力,从而高效利用不同模型中的有效信息。实验结果表明,本文提出的组合预测框架在不同地区的各类服装销量预测上可以克服单个模型的不足,且预测结果均优于其他组合模型和单个模型。综上所述,本文提出了的基于LSTM组合预测框架,可以进一步提升服装销量预测结果的准确度,并弥补网络搜索行为数据在部分地区和品类无法提升服装销量预测结果准确性的不足。值得注意的是,本模型适合外部专家知识较少的产品总销量预测,有利于提升企业运营效率,为各部门决策支持提供有效信息,促进企业发展。此外,该基于LSTM的组合预测框架容易扩展到其他时间序列预测问题上,如宏观经济预测,可以为我国经济部门提供有效的决策工具。（3）本文探索了天气对城市服装销量的预测作用,并提出混合预测模型提高服装销量预测的准确度。首先,本文从心理学和经济学的角度分析了天气与服装销量预测的关系,并结合线性模型和非线性模型进行验证。实验结果表明天气数据有利于提升服装销量预测的准确度。更进一步,从细分品类来看,天气数据有利于提升女装销量预测的准确度,在男装销量预测上表现欠佳。随后,结合之前的研究,本文分析了天气数据是否可以补充网络搜索行为数据对服装销量的预测作用。实验结果表明,在城市总销量和女装销量预测方面,天气数据可以补充网络搜索行为数据对服装销量的预测作用,既有利于提高预测结果的准确性。最后,本文基于天气数据建立了混合预测模型,该模型首先判断使用线性模型进行预测时是否要加入天气数据,随后使用e Xtreme Gradient Boosting（XGBoost）模型对非线性部分进行预测,并对参数进行优化,最后将两部分预测结果相加得到最终的预测值。通过比较真实数据的实验结果,本文发现提出的混合预测模型在各地区各类服装销量预测上有较高的鲁棒性,在大多数情况下优于传统的混合模型和非混合模型,进一步提升了预测系统的稳定性。综合看来,本研究全面的研究了天气数据对各城市短期服装销量的预测作用,在之前的研究中鲜有进行如此深入的探索,这为今后研究天气数据在其他方面的预测作用打下了一定的基础。总体来说,本文围绕聚合级别的短期服装销量预测展开研究,为服装公司进行充分市场调研提供了新的工具,有利于我国服装产业的发展,具有重要的现实意义和应用价值。一方面,本文总结研究了使用网络搜索行为数据和天气数据预测服装销量的理论基础,并加以验证。通过实验研究发现在将网络搜索行为数据加入服装销量预测时,应考虑到互联网普及率和使用的模型;而将天气数据加入服装销量预测模型时,应考虑到服装品类和使用的模型。另一方面,本文对服装销量预测模型进行了一定程度的创新,将深度学习框架用于模型组合;同时,也将线性模型和机器学习模型进行结合,对混合模型进行了一定的优化。本文将服装产业与人工智能的方法结合,提升了服装销量短期预测的准确度,丰富了服装销量的预测模型,为我国服装产业智能化发展提供了有力支持。