销售预测,通常建模成一个传统时序预测问题,在制造业、零售、营销、批发和供应链等行业应用广泛。销售预测对于管理者做库存管理、供需分析、制定商业策略及经济决策等有重要影响。随着机器学习的发展,销售预测工作更多地关注于探索丰富的影响销售预测的各种结构的因素,如商品的品牌、成分等,或与商品自身有关的外部特征,如日期、促销、节假日等。大多数工作通常把销售预测问题作为一个多变量时序预测问题,极少销售预测的工作会考虑到商品和商品之间的影响。然而,有研究表明,商品和商品之间的复杂联系对销售预测有着隐含的但不可或缺的影响。在缺失交易记录和用户行为的情况下,相关工作通过依据商品和商品的销售记录来计算商品的关联性。这种一一计算商品销售记录的方法会导致计算量随着商品数量增加而增加,而且随着商品的销售记录的增长需要重新计算关联性。因此,如何定义商品关联以及获取商品关联是一个亟待解决的问题。另外,相关工作采用制定的规则筛选商品降低研究采用的商品数量,从而降低销售预测相关性分析计算量。但是,这种方法最终所利用的关联商品较少,且不能适用于大规模的商品数据。所以,如何保证关联商品的大规模利用也是一个问题。为了解决这两个问题,本文提出基于层级时空图神经网络的销售预测模型,借助外部数据构建商品关联信息,同时充分利用关联商品数据来提升销售预测性能。具体来说,本文利用外部知识来获取商品关联这一信息,从而可以大规模预测商品且利用更多的关联商品来辅助预测。本文构造的层级时空图神经网络可以充分利用关联商品的时序信息,并且对商品的层级类别进行了精细地利用。另外,本文从外部知识和数据集构造了商品的多模态数据来帮助建模商品,并利用注意力机制融合了多模态数据和时序数据。总的来说,本文用层级时空图神经网络来融合关联商品的时序数据,同时融合多模态数据和时空图的时序表示来提升销售预测的性能。本文在真实世界的销售数据集上进行实验。结果显示,提出的基于层级时空图神经网络的销售预测模型超过了未利用关联商品信息的基准方法,表明了提出方法的有效性。另外,本文设置了消融实验分别验证了关联商品信息、多模态数据融合和层级时空图模块的有效性。