Die China National Petroleum Corporation (kurz CNPC) betreibt eine große Vielfalt und Menge an Waren (einschließlich Ölprodukten und Nicht-Öl-Produkten) sowie zahlreiche Tankstellen. Das Verkaufsverhalten jedes Produkts variiert an verschiedenen Tankstellen, und es ist in der Praxis der Einzelhandelsanalyse unrealistisch, für jedes Produkt an jeder Tankstelle ein eigenes Modell zu erstellen. Es ist erforderlich, ein einheitliches Modell zur Absatzprognose verschiedener Produkte zu verwenden, wobei das Modell in der Lage sein muss, Unterschiede zwischen verschiedenen Produkten und Tankstellen zu erkennen. Da das One-Hot-Encoding für jedes Produkt und jede Tankstelle zu einer hohen Daten-Dimension führt und nicht genügend Verkaufsdaten für das Training vorhanden sind, wurde vorgeschlagen, Wissensgraphen und graphbasierte neuronale Netzmodelle einzuführen, die verschiedene Produkte und Tankstellen in einen Vektorraum mit geringer Dimension abbilden, sodass das Modell mit niedriger Dimension Unterschiede zwischen Produkten und Tankstellen erkennen kann, um ein einheitliches Modell zu bauen. Am Beispiel der Absatzprognose im Einzelhandel für Fertigölprodukte wird GATNE (ein heterogenes graphbasiertes neuronales Netz Einbettungsmodell) genutzt, um Eigenschaften von Tankstellen und Produkten zu vektorisieren, die dann mit historischen Datenvektoren kombiniert werden und als Eingabe für Absatzprognosemodelle wie XGBoost (Extreme Gradient Boosting Bäume) dienen. Die Validierung zeigt, dass das einheitliche Absatzprognosemodell, das auf der Ebene der Tankstellen mit Einbindung von Ölprodukt-Knotengraphvektoren aufgebaut ist, eine höhere Prognosegenauigkeit aufweist als ein direkt auf Produkt- und Tankstellengruppen basierendes Modell, und dass das Modell den geschäftlichen Logikregeln entspricht und gegenüber dem separat nach Produktnummer und Tankstelle erstellten Modell einen praktischen Nutzen aufweist.

Fertigölprodukte;Absatzprognose;Wissensgraph;GATNE-Modell;XGBoost-Modell