为减小市场需求不确定性的影响,汽车供应链中下游企业会将实际需求放大后提供给上游企业,逐层传递后会形成供应链的牛鞭效应,导致上游企业制造成本较高、生产稳定性较差。因此,为减小供应链中需求放大造成的不良影响,汽车供应链各企业开始关注客户需求预测研究。本文以Z汽车部件公司客户需求预测误差较大、缺乏科学预测工具为出发点,使用不同方法建立需求预测模型,旨在为Z公司确定合适的需求预测模型,解决其在客户需求预测方面的问题,为企业进行需求管理和相关决策提供理论基础与模型支持。本文以寻求Z公司最优预测模型为目标,主要基于历史需求数据建立模型进行预测研究。首先对需求的影响因素进行分析,从6个方面选择15个影响因素衡量指标,通过企业调研和相关统计网站获取相关数据;再将数据拆分为训练集和测试集,基于训练集数据建立数据挖掘的三个预测模型--支持向量机模型、BP神经网络模型和随机森林模型;预测结果表明基于15个因素输入的三个模型模型的预测误差仍然较大,分析模型受“噪声”数据影响导致预测精度下降,接着通过灰色关联分析法确定15个因素中的6个主要影响因素,以6个主要影响因素作为输入建立基于大样本灰色关联分析的随机森林预测模型、支持向量机预测模型、BP神经网络模型。同时,为检验数据挖掘预测模型的有效性,本文基于需求数据特征使用传统时间序列预测方法建立ARIMA模型和灰色GM（1,N）模型,用于模型预测结果的对比和分析。最后通过统一误差评价指标分析不同预测方法的8种模型的预测效果,结果显示基于大样本灰色关联分析的支持向量机预测模型效果最好,性能最优。考虑到需求波动会对预测模型精度产生影响,本文还分析了不同需求波动下各预测模型的适用性情况。使用案例推理（CBR）法分析出突发事件对汽车销量或产量的影响范围为[-80%,20%],在此影响范围内,假设Z公司2018年遇到4种突发事件造成不同程度的需求波动,通过比较各预测模型在不同需求波动下的预测误差来确定需求波动下的最优预测模型。实验结果表明,基于大样本灰色关联分析的支持向量机预测模型在不同需求波动下均为最优预测模型,能够较好应对突发事件造成需求波动的影响。本文研究结果不仅解决Z公司需求预测误差较大、缺乏科学预测工具等实际问题,还为相关制造型企业进行需求预测研究提供一定的理论参考。