经济的快速发展促进了消费的升级。近几年来,为了提升消费者的用户体验,满足人们对消费品质的追求,以“新零售”为代表的实体店经营模式重新回到人们的视野。实体店的运营面临着更大的仓储和资金周转压力,因此准确的预测出消费热点可以帮助商家制定更合理的运营策略,降低运营成本。本文以淘宝女鞋每日销量Top300的商品销售数据为案例,对消费热点预测问题展开研究。热点商品中通常含有人们关注的热门标签,热门标签的形成不是一蹴而就的。本文通过分析热门标签的特点和标签间的关联关系设计热点预测模型,模型的核心内容包括两个部分。首先,标签的正确提取是预测的前提,本文通过建立自定义词库和构建标签向量的方式实现标签的提取,在此基础上完成特征值的初始化和同义标签的合并;其次,每个标签在同一时刻都拥有完全不同的历史数据,无法通过一个模型完成全部标签的预测。为了完成众多标签的快速建模,本文将整合移动平均自回归模型作为预测器的子算法,通过单位根校验和模型的选择准则实现最优参数的自动求解。时间序列预测算法在数据变化规律发生改变时,预测误差会增大。为了提高模型的预测准确率,本文根据标签具有周期性的特点,对标签的特征进行相关性分析,设计了基于标签周期的预测算法,该算法可以较好的预测出标签的变化特点。为了结合两种算法的优点,本文用目标点附近的预测数据训练线性回归方程,通过拟合函数的一阶导数,判断数据的变化趋势,输出组合预测器的最终结果。最后,在真实的淘宝数据集上验证了本文预测模型的有效性。