A China National Petroleum Corporation Limited (abreviada como China Petroleum) opera uma grande variedade e quantidade de produtos (incluindo produtos petrolíferos e não petrolíferos) e possui um grande número de postos de abastecimento. O padrão de vendas de cada produto varia entre os diferentes postos, e na prática da análise de negócios de varejo, não é realista construir um modelo para cada produto em cada posto individualmente. É necessário usar um modelo unificado para prever as vendas de diferentes produtos, o que exige que o ajustador do modelo possa distinguir as diferenças entre diferentes produtos e postos. Como a codificação one-hot para cada produto e posto resulta em alta dimensionalidade dos dados e não há dados de vendas suficientes para o treinamento, propõe-se a introdução de grafo do conhecimento e modelo de rede neural gráfica para mapear diferentes produtos e postos em um espaço vetorial de baixa dimensão, permitindo que o ajustador do modelo diferencie os produtos ou postos usando poucas dimensões, atendendo assim ao objetivo de construir um modelo unificado. Tomando como exemplo a previsão de vendas no varejo de produtos petrolíferos acabados, utiliza-se o GATNE (modelo de incorporação de rede neural gráfica heterogênea) para vetorizar as características dos postos e produtos, que são concatenadas com vetores de dados históricos e usadas como entrada para modelos de previsão de vendas como XGBoost (árvores de gradiente extremo). A validação mostrou que, em comparação com a construção direta de um modelo unificado baseado em grupos de produtos e postos, o modelo unificado de previsão de vendas construído a partir da dimensão do posto com a introdução da representação de vetores gráficas dos nós de produtos petrolíferos possui maior precisão preditiva, e que o modelo unificado construído a partir da dimensão do posto segue a lógica comercial e apresenta valor prático em comparação com a modelagem individual por número de produto e posto.

produtos petrolíferos;previsão de vendas;grafo do conhecimento;modelo GATNE;modelo XGBoost