随着中国经济高速发展,国内汽车市场也迅速增长,作为汽车产业链的基石,汽车配件市场也迎来空前的繁荣。由于汽车配件种类十分繁杂,汽车配件经销商大多采用进销存系统管理日常业务数据,同时,由于目前的进销存系统仅能对业务数据进行简单的记录与统计,缺少对业务数据进行分析、预测的功能,汽车配件经销商主要依据经验来人工预测配件销量,并由此制定采购计划。然而,随着业务规模不断增长,人工预测配件销量的误差越来越大,导致商家无法制定合理的采购计划,进而导致库存积压或库存不足的问题,最终造成商家的经济损失。本文旨在构建准确、高效的配件销量预测模型,并嵌入商家日常使用的进销存系统中,相比传统进销存系统能提供更加智慧的业务数据管理功能,帮助商家进行更合理高效的经营决策,从而创造更高的经济效益。首先,本文调研了国内外进销存系统、销量预测的研究现状,并明确了本文的销量预测模块需要解决的核心问题,在此基础上,完成了汽车配件进销存与销量预测系统的需求分析,并给出相应的UML用例模型。系统主要包括账号管理、采购管理、销售管理、库存管理、销量预测五个功能模块。其次,根据系统需求分析,对各功能模块进行了设计。其中,在销量预测模块构建了基于IBA-LSTM的预测模型:针对蝙蝠算法随机初始化蝙蝠导致种群总体质量较低的问题,本文设计了改进的蝙蝠算法（IBA,Improved Bat Algorithm）,初始化种群时只接受适应度值高于种群均值的个体,以保证初始种群的质量;同时,使用IBA优化LSTM模型的初始权重及偏置,利用得到的最优权值与偏置来构造、训练LSTM网络,以提高模型性能。实验结果表明,该模型能提供比LSTM模型、BA-LSTM模型更好的预测结果。最后,采用Layui、Spring Boot、Tensorflow框架,实现了各功能模块,并对系统进行了功能和性能测试,测试结果表明各模块都能正常运行,且响应速度满足实际需求,系统达到预定设计目标。