Les secteurs du commerce de détail à tendance rapide, tels que la mode, lancent de nouveaux produits de manière substantielle à chaque saison. Dans un tel contexte, une prévision précise de la demande pour ces produits récemment introduits est essentielle pour une planification efficace de la chaîne d'approvisionnement en aval, comme la planification des assortiments et l'allocation des stocks. Bien que les algorithmes classiques de prévision par séries temporelles puissent être utilisés pour estimer les ventes des produits existants, les nouveaux produits ne disposent pas de données temporelles historiques sur lesquelles s’appuyer pour la prévision. Dans cet article, nous proposons et évaluons empiriquement plusieurs nouveaux modèles d’encodeur-décodeur à base d’attention multi-modaux, capables de prédire les ventes d’un nouveau produit uniquement à partir d’images du produit, de ses attributs disponibles, ainsi que de facteurs externes tels que les jours fériés, les événements, le temps météorologique et les réductions de prix. Nous validons expérimentalement nos approches sur un grand jeu de données de mode et rapportons une amélioration significative de la précision obtenue, ainsi qu’une meilleure interprétabilité des modèles par rapport aux approches basées sur le k-plus proches voisins existantes.