تنبؤ مبيعات المنتجات الجديدة في مجال الموضة هو مشكلة صعبة تتضمن العديد من الديناميكيات التجارية ولا يمكن حلها باستخدام النماذج التقليدية للتنبؤ. في هذا البحث، ندرس فعالية استكشاف المعرفة الخارجية بشكل منهجي من خلال سلاسل زمنية لـ Google Trends ودمجها مع المعلومات متعددة الأشكال المتعلقة بمنتج جديد تمامًا في مجال الموضة، وذلك بهدف تنبؤ مبيعاته بكفاءة رغم نقص البيانات التاريخية. بشكل خاص، نقترح نهجًا يستند إلى الشبكات العصبية، حيث يتعلم مُشفِّر تمثيلًا للسلسلة الزمنية الخارجية، بينما يقوم مُفكِّك بالتنبؤ بالمبيعات بناءً على ترميز Google Trends والمعلومات المرئية والمعطيات المتاحة. يعمل نموذجنا بطريقة غير ذاتية التكرار، مما يتجنب تأثير الخطأ الأول الكبير المتراكم. كمساهمة ثانية، نقدم VISUELLE، وهو مجموعة بيانات متاحة للعموم لمهمة تنبؤ مبيعات المنتجات الجديدة في مجال الموضة، تحتوي على معلومات متعددة الأشكال لـ 5577 منتجًا حقيقيًا جديدًا تم بيعها بين عامي 2016-2019 من قبل شركة Nunalie الإيطالية لملابس الموضة السريعة. تحتوي هذه المجموعة على صور المنتجات ومعطياتها ومبيعاتها المرتبطة وتوجهات Google المرتبطة بها. نستخدم VISUELLE للمقارنة بين نهجنا والبدائل الرائدة في المجال والعديد من النماذج الأساسية، مما يظهر أن نهجنا المستند إلى الشبكات العصبية هو الأكثر دقة من حيث الخطأ النسبي والخطأ المطلق. ومن الجدير بالذكر أن إضافة المعرفة الخارجية تزيد من دقة التنبؤ بنسبة 1.5% من حيث الخطأ النسبي الموزون (WAPE)، مما يكشف عن أهمية الاستفادة من المعلومات الخارجية القيمة. يمكن الوصول إلى الكود ومجموعة البيانات عبر الرابط: https://github.com/HumaticsLAB/GTM-Transformer.