随着信息技术的发展,中国网民比例保持持续增长,网络购物应运而生。如今,电子商务已经与公众的生活息息相关。在这样的背景下,对线上商户的顾客需求预测便显得尤为重要。但是,顾客需求易受环境和消费者自身因素等影响而具有不确定性,而且,在经济全球化、新冠肺炎疫情等影响下,电商平台商户面临着不确定性极强的内外部环境,实时预测和实时控制变得更具有实用性。本文从上述背景出发,利用某电商平台商户的实际交易数据信息,对商户数据库信息进行整合、筛选,分析特征规律,并利用Lasso回归筛选出对订单量需求有重要影响的变量。在前人研究的基础上,本文提出全新的模糊最优间隔分布分位数回归模型实现订单量概率预测。首先,设计模糊隶属度降低了异常样本对预测曲线的影响;其次,将最优间隔分布思想引入到回归问题中,通过优化所有样本的间隔分布获得更好的泛化性能;最后,采用了无核二次曲面支持向量回归的思想,将人们从核函数选择和核参数调优的工作中解放出来。本文使用历史数据作为训练数据集训练预测模型,利用滚动预测分别对数据中最后7天的订单量需求进行了提前5分钟的概率预测,其中,每一天分别对0.05、0.15、0.25、0.35、0.45、0.55、0.65、0.75、0.85、0.95 分位点下的订单量需求进行了拟合预测,最后本文将0.05和0.95分位点下得到的订单量需求区间作为概率预测的结果,本文认为订单量需求将有90%的概率落到此区间。本文对相同的数据采用相同的实验流程对比了多元线性分位数回归、神经网络分位数回归、二项式核函数支持向量分位数回归、RBF核函数支持向量分位数回归模型。通过使用Pinball loss function的评价准则,结果证明了本文提出的模糊最优间隔分布分位数回归模型的准确性和优越性。电商平台商户可以根据此结果进行实时控制,在最大程度上使得组织活动按照预期计划进行,从而降低不必要的损失,提升经济效益。