随着时代发展,人们对于食品的消费已经由过去为了满足生存向基本保障营养健康、享受多样化选择转变。而且,随着消费需求的转变,个性化、定制化的产品也大量涌现。为满足人们的个性化需求,面向订单的多品种、小批量生产方式已逐步取代大规模生产成为市场主流。但是,对于传统的中小型食品制造商来说,由于企业场地硬件设备受限、管理人才相对缺失、管理相对不完善且对市场终端把控不够,给企业需求管理带来了巨大挑战。牛鞭效应增加了需求的波动性和不确定性,增大了需求计划、生产计划、采购计划的不稳定性,从而导致为了提高客户订单满足率,增强客户服务水平,企业会提前生产大量成品作为备货或者通过加人加班的方式增加产量。一方面,成品放置在仓库里产生了库存持有成本,周转率降低,占用流动资金;另一方面,成品放置时间过长可能会引发安全问题,造成库存积压和销售损失。公司的利润空间被不断压缩。因此,产品需求预测的精准性变得越来越重要。鉴于此,本文基于SARIMA(季节性差分自回归滑动平均模型)、SVR(支持向量机回归模型)、BPNN(BP神经网络模型)以及Stacking集成算法,以S企业某品项需求为例,构建产品短期需求预测模型。通过实验对比分析,选取出预测误差较小的预测模型。首先,构建产品需求的影响因素。根据企业现有数据,通过初步探索和可视化分析,介绍企业的销售现状,最终选取前期销售量、购买客户数、促销量为主要影响因素;其次,选择预测方法。根据历史文献的查阅,同时选取了传统的时间序列模型和机器学习的算法,并从机器学习算法中选择了较为常用的SVR和BP神经网络两种预测模型;然后,构建预测模型。本文先运用三个单项模型进行销量预测,之后考虑到SVR和BP神经网络各自的优缺点和适用情况,如SVM在小样本预测上有很大优势,可以避免局部极小化问题,提高泛化性能,而BP神经网络具有良好的学习记忆能力但容易陷入局部最小值,引入Stacking集成算法融合SVR和BPNN,进一步增加模型的鲁棒性。对于实验结果,本文采用RMSE、MAE、MAPE三个误差指标进行评价。本文基于S企业2014年4月至2018年12月的月销售量数据,对销售情况进行预测,选取前54个月的数据作为训练集,后3个月的数据为测试集,结果表明:在单项模型预测效果上,采用SARIMA时间序列回归模型得到的误差评价指标最大,因为它没有考虑其他因素影响,在需求波动较大,需求明显受多因素影响时,预测效果很差,SVR(支持向量机回归模型)预测误差较好,BP神经网络模型的预测结果比SVR略好;进一步,在集成学习上,Stacking的方法的预测效果优于单一预测模型,是因为stacking融合模型增强了模型的鲁棒性。它对该企业销量预测具有指导意义,可以为经营决策提供支持。