La Corporación Nacional de Petróleo y Gas de China (abreviada como PetroChina) opera una gran variedad y cantidad de productos (incluidos productos petrolíferos y no petrolíferos), con un gran número de estaciones de servicio. El patrón de venta de cada producto varía entre estaciones de servicio, y en la práctica del análisis de negocios minoristas no es realista construir un modelo individual para cada producto en cada estación, por lo que es necesario utilizar un modelo unificado para predecir las ventas de diferentes productos. Esto requiere que el ajustador del modelo pueda distinguir las diferencias entre productos y estaciones. Debido a que la codificación one-hot para cada producto y estación conduce a una alta dimensionalidad y la falta de suficientes datos de ventas para entrenamiento, se propuso introducir un grafo de conocimiento y un modelo de red neuronal gráfica para mapear diferentes productos y estaciones de servicio a un espacio vectorial de baja dimensión, de modo que el ajustador del modelo pueda distinguir las diferencias usando pocas dimensiones, logrando así construir un modelo unificado. Tomando como ejemplo la predicción de ventas en el negocio minorista de productos petrolíferos terminados, se usa GATNE (modelo de incrustación en grafos de red neuronal heterogénea) para vectorizar las características de las estaciones y los productos, que luego se concatenan con vectores de datos históricos como entrada para modelos de predicción de ventas como XGBoost (árboles de aumento de gradiente extremo). Las pruebas mostraron que en comparación con la construcción directa de un modelo unificado basado en grupos de productos y estaciones, el modelo unificado de predicción de ventas construido desde la dimensión de las estaciones con representación vectorial de nodos de productos petrolíferos tiene una mayor precisión predictiva. Además, el modelo cumple con la lógica comercial y tiene un valor aplicado en comparación con el modelado individual por número de producto y estación.

productos petrolíferos;predicción de ventas;grafo de conocimiento;modelo GATNE;modelo XGBoost