في عالم التجارة الحديثة، يُعتبر توقع الطلب جزءًا حيويًا من استراتيجية النجاح في كل متجر. تعتمد الشركات على أنظمة متطورة للتنبؤ بالطلب عبر متاجرها ومنتجاتها، وهو ما يتطلب معالجة عشرات الآلاف من السلاسل الزمنية المتصلة على المدى الطويل. هنا تظهر أهمية الابتكار الجديد: GNBAN (Graph Neural Basis Attention Networks).

تأتي GNBAN لتقدم حلاً مبتكرًا من خلال دمج التعلم البياني مع رأس تحليل قابل للتفسير. بدلاً من الاعتماد على نماذج تقليدية تحتاج إلى إدارة فريدة لكل منتج، تقوم GNBAN بتمثيل البيانات التجارية كشبكة بيانية غير متجانسة مباشرة مستندة إلى المخطط العلاقي، مما يسمح باستخدام نموذج واحد لكل الكتالوج.

واحدة من المميزات الرئيسية لطريقة GNBAN هي آلية الانتباه لكل مكون أساسي، مما يسمح لكل وظيفة أساسية بالاحتفاظ باستعلام قابل للتعلم واسترجاع المعلومات بشكل مستقل عن الجوار التاريخي للكيان. هذا يجعل من الممكن تخصيص أنماط مختلفة من التوقيتات الزمنية بشكل فعّال مع الحفاظ على القابلية للتفسير.

تجارب الأداء في معيارين كبيرين، M5 Walmart وFavorita Grocery Sales، أظهرت أن GNBAN حسنت من WRMSSE (Weighted Relative Mean Squared Scaled Error) بنحو 4-5% مقارنة باستراتيجية الشبكات البيانية التقليدية. بالإضافة إلى ذلك، تظهر التحليلات النوعية أن المكونات التي تم تعلمها توضح بالفعل العوامل الدافعة للطلب مثل الاتجاهات والموسمية.

إن نتائج GNBAN تُبرز ليس فقط إمكانية التنبؤ بالطلب بشكل موثوق، ولكن أيضًا دمج تحليل البيانات بطريقة تتسم بالشفافية، مما يعزز من اتخاذ القرارات التجارية.