随着计算机技术和数字技术的飞速发展，人们的一举一动已经产生了数据并被记录下来。大数据和云计算掀起了新一轮研究的热潮。而在大数据研究中，数据研究的核心问题是预测。对预测的研究可以帮助我们更好的把握未来，及时做出有效决策。然而，在构建预测模型时，由于预测问题的不同，我们的训练样本存在一定的差异性，因此在特定情境下需要选择适当的方法匹配预测模型。　　在本文的研究中，作者选取了实际生活中常见实例分别构建了小样本和大样本数据量下的预测模型。其中，模型一为快时尚品销售市场预测模型。为了更好的帮助零售商提前做出销售策略，本文首次对快时尚产品的销售时间序列进行周期性统计并根据产品的销售情况将其划分三类市场类别，通过对历史数据进行学习从而预测短期销售市场类别。因此，文章将短期的销售预测模型转变成快时尚产品市场销售多分类模型。由于快时尚商品存在产品更新快，销售周期短等特点因而具有较小的训练样本量和较大训练难度。基于此，本文选择了较为新颖流行的机器学习方法——极限学习机对其进行销售趋势预测。模型二为复杂样本数据量下的股票预测模型。由于股票价格变动拥有诸多影响因素。因此，本文从其样本量和股票数据的复杂度出发，设计了多个影响价格变动的变量，并创新性地选取了深度学习方法对股票模型进行特征提取，然后预测其短期内价格涨跌趋势。同时，本文还选取了广被采用的神经网络方法和支持向量机来进行预测并和我们选取的方法进行对比，通过大量实验，文章最终验证了作者所构建模型和选取预测方法的有效性。