图神经网络 GNN 在需求预测中的应用：超越传统时间序列

几十年来，需求预测一直是零售运营、库存管理和供应链物流的基石。传统的方法在很大程度上依赖于单变量或多变量时间序列模型——从经典的 ARIMA 和指数平滑法到现代深度学习架构如 LSTM 和 Transformer。然而，这些模型共享一个根本性的缺陷：它们将库存单位（SKU）视为独立的实体，或者充其量视为并行的数据流。在现实世界的零售场景中，产品存在于复杂的关联网络中。某款特定智能手机的销售很可能会影响其兼容配件的销售；有机牛奶的促销可能会蚕食普通牛奶的销量。这就是图神经网络（Graph Neural Networks, GNNs）改变游戏规则的地方。

独立性假设的局限性

传统的时间序列预测模型假设变量的未来值主要取决于其历史值，可能还包括一些外部协变量（如天气或节假日）。虽然这在孤立的系统中有效，但它无法捕捉产品目录中内在的“空间”或“关系”依赖性。

在典型的供应链中，产品通过多种因素相互联系：

1. 层级结构：产品属于特定的类别、子类别和品牌。
2. 替代效应：如果产品 A 缺货，客户会购买产品 B。
3. 互补效应：产品 A 通常与产品 B 一起购买。
4. 地理位置：同一地区的商店共享相似的需求模式。

当我们使用 n1n.ai 集成先进的 LLM 来从产品描述中提取特征时，我们开始看到这些关系是如何被量化的。然而，标准的 Transformer 无法原生处理由数百万个交易边链接的 50,000 个 SKU 的图结构。这就是为什么 GNN 正成为追求最前沿准确性的企业的首选。

GNN 如何将需求建模为网络

图神经网络将整个产品目录表示为一个图 G = (V, E)。

• 节点 (V)：代表单个 SKU 或“商店-SKU”对。每个节点包含一个特征向量，其中包括历史销量、价格点和元数据。
• 边 (E)：代表 SKU 之间的关系。这些边可以根据相关性的强度或共同购买的频率进行加权。

消息传递与聚合机制

GNN 的核心机制是“消息传递”（Message Passing）。在网络的每一层中，一个节点都会从其邻居节点收集信息。对于需求预测而言，这意味着特定 SKU 的预测不仅受其自身历史的影响，还受到相关 SKU 发送的“消息”的启发。

如果“高端游戏笔记本电脑”的销量激增，GNN 会将此信息传播到“游戏鼠标”和“笔记本散热垫”节点，即使这些配件的历史数据尚未显示出激增。这种前瞻性的调整是传统 LSTM 在没有手动特征工程的情况下根本无法实现的。

实现指南：构建 GNN 预测器

为了实现用于需求预测的 GNN，开发者通常使用 PyTorch Geometric (PyG) 或 DGL 等库。以下是一个针对需求特征量身定制的图卷积层的概念性实现。

import torch
from torch_geometric.nn import GCNConv
import torch.nn.functional as F

class DemandGNN(torch.nn.Module):
    def __init__(self, num_node_features, hidden_channels, out_channels):
        super(DemandGNN, self).__init__()
        # GCN 层用于捕捉空间关系
        self.conv1 = GCNConv(num_node_features, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, hidden_channels)

        # 线性层映射到预测跨度（例如未来 7 天）
        self.regressor = torch.nn.Linear(hidden_channels, out_channels)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index

        # 1. 通过消息传递获取节点嵌入
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = self.conv2(x, edge_index)

        # 2. 节点级回归输出
        out = self.regressor(x)
        return out

在实际场景中，您会将此 GNN 与时间组件（如 GRU 或时间卷积网络 TCN）结合使用。这种混合架构通常被称为 时空图神经网络 (Temporal Graph Neural Network, TGN)，它同时处理时间轴和图轴的数据。

传统方法与 GNN 方法的对比

专家建议：解决冷启动难题

零售业最大的挑战之一是预测新产品的需求（即“冷启动”问题）。由于新 SKU 没有历史销量，时间序列模型几乎无能为力。然而，通过使用 n1n.ai 访问高性能的嵌入模型，您可以根据属性将新 SKU 映射到现有的图中。因为 GNN 理解“新手机 X”与“旧手机 Y”具有相似性，它可以“借用”邻居的需求模式，从而提供高度准确的首日预测。

利用 n1n.ai 进行扩展

构建这些模型需要海量的干净数据，并且通常需要从非结构化文本或图像中提取补充特征。通过利用 n1n.ai，团队可以自动化其 SKU 图的丰富过程。例如，您可以使用 LLM API 对产品进行分类或从评论中提取情感，这些信息随后可作为 GNN 中的动态节点特征。

此外，GNN 的推理阶段可能计算量巨大。利用 n1n.ai 推荐的优化基础设施，可以确保您的预测流水线即使在产品目录增长到数百万个节点时，依然保持极高的响应速度。这种高性能的 API 接入能力对于需要实时库存调整的企业至关重要。

总结

需求预测不再仅仅是一个数学问题；它是一个拓扑问题。通过从时间序列的“孤岛”视角转向 GNN 的“网络”视角，企业可以捕捉到驱动现实世界商业的细微相互作用。无论是管理全球电子商务巨头的库存，还是优化本地制造商的供应链，GNN 都提供了以前无法达到的精度水平。在未来的竞争中，能够理解并利用产品间复杂关联的企业将占据绝对优势。

获取免费 API 密钥，请访问 n1n.ai