在电子商务的快速发展下,需求不确定性日益增加,准确的需求预测是企业降低需求不确定性、在激烈的市场竞争中取得优势、脱颖而出的关键。由于消费者的真实需求往往是不可得的,在现有的研究和实践中,需求通常使用实际销售近似。然而,在日常的研究中,几乎所有可以通过公开途径获得的销售数据集都是高度不完整的,这为研究者和企业的执行需求预测、经营分析等活动带来了极大的不便。本文在学者们的研究基础上,将矩阵分解模型、商品历史销售记录的特性以及在线学习的思想有机地结合起来,对供应链场景下的不完全销售信息的潜因子矩阵拟合和在线需求预测模型的构建进行更深入的研究。具体的,本文考虑在仅拥有不完整的历史销售记录的情形下,从销售数据的时序属性切入,运用面向时序数据的矩阵分解模型对表征商品销售信息特征的潜因子矩阵进行拟合;进一步的,考虑如何基于潜因子矩阵以及在线学习的思想建立需求预测模型,以期为企业和研究者的研究和运作分析提供可参考的历史销售数据,并拓展现有的需求预测模型。首先,本文对面向时序数据的矩阵分解模型的求解过程进行优化,得到本文基于交替最小二乘求解的面向不完整历史销售记录的可被用于潜因子矩阵拟合和缺失值估计的模型MAFTISALS。其次在MAFTISALS的框架下,将历史销售记录拟合为商品属性因子矩阵和时间属性因子矩阵,基于潜因子矩阵对历史销售记录的表征,提出了基于潜因子矩阵的多品类商品的可用于长期预测或短期在线需求预测的模型MODF-MF。最后,为了验证本文所提出的模型的有效性和可用性,在对不完整的历史销售数据的潜因子矩阵拟合问题上,以缺失值估计效果进行度量,在三个真实的数据集上,以均值填充法、最近邻值填充法、线性插值法和PMF等现有的运用于缺失值估计的算法为基准算法,MAFTISALS模型都取得比基准算法更优的结果。在面向时序矩阵分解的框架下,MODF-MF模型以在线支持向量回归、在线极限学习机等在线算法为基准算法,并使用三个真实的数据集进行实验,结果显示,MODF-MF模型能较有效地利用历史销售记录中的信息,获得更好的预测结果。