在新零售热潮下,我国生鲜市场前景广阔,但生鲜农产品易腐变质的特性使其对时效性要求较高,极易产生供销不平衡问题,导致生鲜超市面临高库存成本、高货损率等风险。精准的销量预测成为解决供销不平衡问题的有效途径。而目前大多数生鲜超市对于销量的预测仅局限于传统的分析方法,有的企业甚至完全依靠管理人员的个人经验来进行决策。同时,各种隐变量因素也会对销量产生直接或间接的影响,加大了精准预测的难度。因此,挖掘影响生鲜农产品销量的隐变量因素并构建精准的销量预测模型,成为生鲜农产品供应链中亟待解决的关键问题。本文针对以上问题开展以下研究:(1)天气因素在生鲜农产品销量预测模型中的价值。针对生鲜农产品销量预测问题,目前预测模型考虑的自变量局限在历史销量、周末、节假日等,天气因素(天气状况、风力等级、空气质量指数)是否可以提高生鲜农产品的销量预测精度没有得到严谨的证明。以杭州市某生鲜超市每日销量为数据基础,使用三种不同类别的机器学习算法(RR,RF,SVR)分别对基线预测模型和天气预测模型进行了拟合,通过对比两个模型基于三种算法下的预测结果准确度来验证天气因素对生鲜农产品销量预测的价值及作用。(2)考虑天气因素的LSTM循环神经网络销量预测模型。针对生鲜农产品销量易受多变量特征影响、预测精度低等问题,利用深度神经网络优化技术,构建了一种基于LSTM循环神经网络的多变量多输入销量预测模型。通过LSTM模型与对照模型(RR,RF,SVR)在不同数据集、不同时间窗数据输入下进行的多重对比实验,从准确性、泛化性和稳健性三个维度验证LSTM模型的有效性和优越性。本文验证了天气因素可以提高生鲜农产品销量预测模型的精度,并基于此构建了LSTM循环神经网络销量预测模型,得到了精准的销量预测结果。在一定程度上,本文的研究拓展了生鲜农产品销量预测的理论与方法,丰富了销量预测问题的研究,为将来更进一步的研究提供理论借鉴。同时,对生鲜零售企业的运营管理提供决策支持。