在线零售在近些年发展十分迅猛,然而相较于实体零售,在线零售一直面临顾客在线下单后无法立即收到产品的劣势。为了缓解这一问题,亚马逊提出了“预判发货”的解决方案,它旨在在顾客下单之前就将产品从订单履行中心配送至顾客附近的配送中心,从而减少顾客的等待时间。目前关于预判发货的研究十分有限,不确定需求下的发货量（即预判发货量,指在顾客下单前在线零售商提前发送至顾客附近的配送中心的产品数量）是预判发货的核心问题之一,还需要得到进一步的研究。此外,还缺乏预判发货背景下产品定价问题的相关研究。基于此,本研究着眼于预判发货背景下的预判发货量和产品定价问题。首先,本文基于数据驱动对多周期多目标预判发货量问题进行了研究。目前关于预判发货的研究主要考虑的是单周期,且忽略了为顾客节省的等待时间。本文以在线零售商成本最小化和为顾客节省的等待时间最大化为目标,建立了一个数据驱动的框架来解决多期预判发货量问题。本文先提出一个双流程销量预测框架对产品日销量进行预测。然后基于预测的销量和预测误差构建多周期多目标整数规划模型来解决在多期内的最优预判发货量问题。最后,使用TOPSIS、Shannon entropy、LINMAP决策制定方法,从由NSGA-II算法获得的帕累托集中选出最终的最优解。数值实验表明,与非预判发货相比,预判发货可为在线零售商节省5.96%的成本和为顾客平均节省1.69天的等待时间,且在库存持有成本较大、配送中心容积较大、运输时间较长的情况下,在线零售商执行预判发货尤其有利。随后,本文在考虑预判发货复购价值的情况下对预判发货量及产品定价问题进行了研究。现有研究忽略了预判发货引起的顾客复购价值,且缺乏关于预判发货背景下的产品定价问题相关研究。此外,现有关于预判发货的研究还尚未讨论决策者的风险态度。本研究构建报童模型,考虑在线零售商是风险规避的,并将条件风险价值（CVa R）作为风险度量准则。对于乘法和加法需求,获得了最优策略并分析了预判发货与非预判发货情况下、风险中性及风险规避决策者最优策略的区别。此外,还分析了预判发货相较于非预判发货的碳排放变化。数值实验进一步讨论了部分参数对在线零售商最优策略、利润及碳排放变化的影响。结果表明,相较于非预判发货,预判发货情况下在线零售商应降低产品价格,此外,风险规避程度对最优价格的影响不大,但对预判发货量具有显著影响。最后,本文在需求依赖于价格和发货下对预判发货量及产品定价问题进行了进一步研究。现有研究忽略了预判发货对需求的影响,然而,预判发货会提升顾客的让渡价值从而影响顾客需求。本文通过构建扩展的报童模型对需求依赖于价格和发货下的预判发货量及产品定价问题进行了研究。对于乘法和加法需求,本研究证明了最优策略的存在性与唯一性,分析了最优策略的上下界,风险规避及风险中性在线零售商的最优策略及其差别等。数值实验分析了部分参数对最优策略及利润的影响。结果表明,相较于非预判发货,在考虑需求依赖于价格和发货时,在线零售商应提升产品价格。此外,本研究还获得了影响在线零售商最优策略及利润的关键参数。