随着产品研发速度不断加快以及市场竞争逐渐白热化,在以时装以及生鲜为代表的行业中,产品的生命周期越来越短。因此,为了适应当今的市场,除了长期的需求预测之外,短期需求预测的重要性也正不断提高。与长期需求预测不同的是,商品的短期需求预测有不确定性大,训练样本不足等特点。这些特点增大了短期需求预测的难度。因此,进一步研究短期需求预测问题并提高预测精度,对企业快速适应市场并调整企业决策具有重要的现实意义。本文注意到商品组合隐藏着商品的关系,即经常在同一张订单中共现的商品倾向于拥有相似的需求趋势。在已有文献的基础上,我们发现利用这种组合效应可以有效解决短期需求预测中所遇到的问题。具体而言,本文受特征嵌入模型的启发,利用基于隐狄利克雷分布模型（Latent Dirichlet Allocation,LDA）的商品组合算法,把商品的组合信息嵌入到商品表示的特征空间中。然后在多任务学习框架下,根据不同的商品组合信息共享方式,本文分别构建了多任务线性回归模型（MT-LR）和多任务支持向量回归模型（MT-ESVR）。为了验证所提模型的有效性,本文分别对基于LDA特征嵌入的商品组合发现算法以及MT-LR和MT-ESVR模型进行了实验。其中,通过与关联规则挖掘算法（Association Rule Mining,ARM）的比较,本文发现基于LDA的特征所发现的二项集和三项集支持度和置信度与ARM相近,这意味着基于LDA的嵌入表示蕴藏着商品的组合信息。然后本文选择了6个单任务框架下的基准算法以及2个多任务框架下的基准算法,在两个公开的数据集上与本文所提的MT-LR和MT-ESVR进行对比。结果显示,MT-ESVR在短期需求预测的背景下普遍能获得更准确的预测结果,并且MT-LR和MT-ESVR都有着良好的泛化性能。本文的主要贡献在于提出了一种通过商品组合信息改进短期需求预测模型的创新思路,并提出了在短期需求预测问题上更稳定的MT-LR和MT-ESVR模型。