La China National Petroleum Corporation (CNPC, abrégée Chine Pétrole) gère une grande variété de produits (y compris les produits pétroliers et non pétroliers) en grande quantité, avec un grand nombre de stations-service. Les schémas de vente de chaque produit diffèrent selon les stations-service, et il est irréaliste de construire un modèle pour chaque produit dans chaque station lors de l’analyse du commerce de détail. Il est nécessaire d’utiliser un modèle unifié pour prévoir les ventes de différents produits, ce qui exige que le modèle soit capable de différencier les différentes informations des produits et des stations-service. Étant donné que l’encodage one-hot pour chaque produit et chaque station-service conduit à une grande dimension des données et que la quantité de données de vente disponibles pour l’entraînement est insuffisante, il a été proposé d’introduire un graphe de connaissances et un modèle de réseaux de neurones graphiques, cartographiant différents produits et stations-service dans un espace vectoriel de faible dimension. Ainsi, le modèle peut distinguer les différences entre produits ou stations-service avec une faible dimensionnalité, atteignant ainsi l’objectif de construire un modèle unifié. À titre d’exemple pour la prévision des ventes au détail des produits pétroliers finis, le modèle GATNE (modèle d’encastrement graphique de réseau neuronal hétérogène) est utilisé pour vectoriser les caractéristiques des stations-service et des produits, qui sont ensuite concaténées avec les vecteurs de données historiques comme entrée de modèles de prévision des ventes tels que XGBoost (arbres de gradient extrême boosté). Les résultats montrent que le modèle unifié de prévision des ventes construit à partir des vecteurs nodaux du carburant à l’échelle des stations-service a une meilleure précision que le modèle unifié construit directement sur les groupes de produits et de stations-service, et que ce modèle est conforme à la logique commerciale et possède une valeur pratique par rapport aux modèles construits séparément pour chaque numéro de produit et chaque station-service.

produits pétroliers;prévision des ventes;graphe de connaissances;modèle GATNE;modèle XGBoost