随着电子商务的发展,在线购物由于方便快捷、选择范围更广、受地域影响更小的特点已经成为一种重要的消费方式。与此同时,电商企业竞争日益激烈,以供应链驱动运营的方式被越来越多的商家接受,因此需求精准预测和制订合理的库存策略成为提高电商企业核心竞争力的重要方式。消费者网购过程中会产生大量在线行为数据,通过机器学习方法,能够发现消费者购买意愿,进而对商品需求做出精准的预测,以此指导电商企业制订合理的库存策略,降低运营成本,提高核心竞争力。电商平台的在线行为数据量庞大,数据特征维度高,价值密度低。经典需求预测方法很难根据这些数据得出准确的预测结果。机器学习具有处理复杂数据的能力,可以挖掘用户在线行为数据中的潜在规律,进而对未来趋势做出准确预测。本文采用电商平台上用户在线行为数据,运用机器学习方法进行电商需求预测,基于预测结果制订合理的库存策略。主要工作有:（1）构建了电商用户在线行为特征集。对电商平台上用户行为数据进行预处理,删除异常数据,填补空缺数据,采用滑动窗口法构建更多的数据特征,扩充训练样本集。针对新的样本集,采用皮尔逊相关系数（Pearson）分析特征与特征、特征与目标变量之间的相关性,删除相关性极强的特征,生成新的特征子集。再采用随机森林算法结合交叉验证评估新特征子集预测精度,通过比较选择出最优特征子集。（2）利用机器学习进行电商需求精准预测。首先训练随机森林（RF）、支持向量回归（SVR）、梯度提升树（GBDT）三种机器学习模型,采用网格搜索法结合交叉验证对每个模型的主要参数进行调优,选出最优参数构成预测模型。然后根据集成学习思想,采用Stacking集成策略,融合单个预测模型。融合预测模型克服了单个机器学习模型的不足,提高了预测精度。最后通过实验,验证机器学习预测方法的有效性。（3）基于集成学习的预测结果,构建带服务质量的静动结合库存决策模型。在静态库存决策模型的基础上,静动结合库存决策模型是根据预测需求对订货数量进行优化后的模型。最后在实验中,通过改变服务质量,比较静态库存决策模型和静动结合库存决策模型产生的总成本,验证了静动结合库存决策模型更适合电商企业进行库存管理。