随着体验式购物的不断兴起,零售业正在以各种形式迎来它的新生。零售业具体表现出的商业模式有很多种,本文选取它最经典的一种表现形式——购物中心——进行研究。本文以某购物中心的销售时间序列数据作为研究对象,分析各种可能影响零售业销售行为的影响因素,构建合适的特征工程,构建合适的时间序列分析与预测的模型。针对购物中心最关心的两个时间序列预测问题:销售额与销售频次,作出科学的分析与预测。主要针对时间序列预测算法及特征选择进行研究。首先,在特征选择方面,采用面向零售业时间序列的基于相关-互补-冗余特征选择模型。引入特征间的互补性,可以增强了特征子集的整体表现力。通过实验表明,该模型选取的特征在不同预测算法中,均比基线特征提取模型有较好的预测精度,相关指标优化3%以上其次,在零售业时间序列预测方面,采用面向零售业时间序列的基于EMD与深度学习预测模型。该模型采用EMD分解算法将零售业时间序列分解成含有不同信息分量的子序列,挖掘子序列的局部特性,从而针对性地进行建模预测。采用GRU以及MLP模型构建子预测模型,将子预测结果进行组合得到最终的预测结果。该预测模型的RMSE指标优化5%以上,MAE指标优化1.5%以上。此外,对模型进行了效率优化,通过对分解的子序列进行重组,简化为两组子序列,趋势序列与短时波动序列。实验表明,通过对这两组序列进行建模研究可以在损失不足1%精度的代价下,明显提升计算效率。