随着新零售行业的不断兴起,销售环境变得更加复杂,如何利用好其数字化、全渠道以及供应链灵活的特点,科学的指导企业管理与运营,关键在于对用户需求的预测。对于新零售行业来说,影响商品销量的原因众多,且商品种类不断增多,商品之间相互影响,使得传统需求预测方法,不适用于在新零售的背景下,对商品需求进行预测。因此,急需研究一种合适的需求预测方法,针对新零售行业的特点,对需求进行精准预测,增加企业库存管控能力。本文以新零售行业的真实商品销售数据为研究对象,在分析现有需求预测方法的基础上,针对新零售行业的销售特征,结合Word2Vec模型对商品进行关联聚类,探讨基于Conv LSTM网络的关联商品的销量预测模型的可行性。首先,对国内外研究现状进行分析,从需求预测和深度学习两个方面进行归纳总结。发现传统需求预测方法,存在一定弊端,需要构造大量的特征工程,模型复用性差,且无法学习到商品的关联关系,本文基于深度学习的Conv LSTM网络,提出一种针对关联商品的销量预测模型。然后,分两部分构建整个关联商品的销量预测模型。第一部分,构建基于Word2Vec模型的商品关联聚类模型,对有关联关系的商品进行聚类,将聚类结果用于Conv LSTM网络模型的输入,在输入中引入商品关联的先验知识。第二部分,基于Conv LSTM网络构建关联商品销量预测模型,利用Conv LSTM网络既能使用卷积操作提取数据空间特性,又能使用LSTM获取数据长期时间依赖的特性,对商品销量进行预测。最后,结合Q公司的真实销售数据,对基于Conv LSTM网络的销售预测模型进行实验应用,并与LGBM、LSTM等预测模型进行对比。整个过程中,我们对销售数据进行了数据探索,并详述了从数据预处理到模型训练的整个流程,并对实验结果进行了分析。结果表明,Conv LSTM网络能够有效的提取商品之间的关联特性,并对商品销量的时间序列进行信息传递,使模型更具鲁棒性,提高模型预测效果。