随着互联网的飞速发展,传统行业经受着巨大的压力和挑战,线下零售业受到电子商务不断的冲击,传统的线下实体店消费模式正逐渐被削弱,企业迫切需要一种有效的方式对未来的销售趋势进行预测,为决策提供可靠的支持。伴随着数据挖掘技术的不断发展,各种机器学习方法在销售预测问题上应用已经逐渐成熟。本文以德国第三大日用品连锁店Rossmann的销售预测作为研究方向,针对其问题的多样性与复杂性,本文从业务的角度对数据进行了详细的特征分析,发现该问题中影响销售的因素主要为非线性因素,并且存在着以下特点：数据在时间轴上的断层多、周期变化的规律性不明显、特征对销售的影响显著、特征类别差异大等等,根据分析的结果,本文以侧重近期数据、强调时间指标、注重历史趋势为核心进行了特征选取,产生了高维度的训练集。为了获得更好的预测结果,本文分别设计了基于随机森林和基于GBRT的预测模型,通过数据预处理、特征提取获得了高质量的训练数据,再通过实验过程中对参数的不断调优,获得了较低误差的预测结果,验证了模型的有效性。最后针对GBRT训练速度慢但是预测精度高的情况,使用欠拟合的随机森林对GBRT的残差进行初始化,实验证明了该融合方法可以有效的提高模型的训练速度,并且获得比GBRT更好的性能。