随着机器学习在预测/推荐领域为企业带来越来越多的收益,近年来关于销量预测问题的研究也随之不断地深入,尤其是的新零售提出和发展,使得快消商品销量预测研究获得非常高的关注度。传统的预测采用确定性的点预测方法对快消商品销量进行预测,但由于需求的随机性及非线性特征,导致无法展示预测时刻可能出现的情况及其出现的置信度,使得依靠快消商品销量点预测结果的决策风险较大;而高斯过程回归(Gaussian Process Regression,GPR),虽然可以解决这一问题,但因为计算性能上的限制,难以在大规模数据集上应用。针对快消商品销量确定性预测方法的不足,本文提出利用高斯过程对商品销量进行建模,根据商品的历史销售数据,提取影响销量的特征向量,并将基于核距离的样本点选择策略的滑动窗口与高斯过程回归方法结合,克服高斯过程回归在大规模数据上的计算瓶颈。该模型考虑影响销量的多种因素,基于快消商品销量影响因素随机性的基础,将快消商品销量视作多种影响因素共同作用下的随机过程,并对其进行预测,其预测结果具有概率意义,在保证预测精确度的同时,还能给出预测的置信水平,有利于评价依靠预测结果的决策风险,为商业企业经营决策提供更为科学指导。本文所做的工作如下:首先,简述了高斯过程回归及基于零售销售数据的预测问题的研究现状,对零售数据预处理中的相关技术,做了介绍。并针对基于快消零售销量估计的具体应用问题中,本文在基于相关系数以及提升树模型上进行特征提取,尽可能地减少特征的数量,从而减小了输入数据的维度。其次,基于高斯过程回归以及滑动窗口的思想上提出了大规模数据下基于滑动窗口高斯过程的零售商品销量预测模型,将销量看作一个随机过程,通过高斯过程回归定义了函数的分布,同时基于核距离的样本点选择策略对常规的滑动窗口进行改造,然后将二者结合以改善传统高斯过程回归模型中的核计算性能问题。该模型可以快速适应新的观察数据,并可以评估预测的不确定性,解决销量预测中点预测在不确定性表达能力的有限性以及核计算性能的限制。最后,主要对高斯过程回归方法做了具体的研究并进行了具体实现,将该方法在实际销售场景上进行了应用,得到了不错的结果,并与常见的机器学习方法做了对比实验,实验结果表明了高斯过程回归方法在处理该类问题上具有一定的有效性,说明本文模型克服了样本过大在核函数计算上的限制,在保证一定精度情况下具有较优性能和计算效率。