La previsión de ventas es una aplicación altamente práctica de la predicción de series temporales. Se utiliza para ayudar a las empresas a identificar y utilizar información para reducir costos y maximizar beneficios. Por ejemplo, en numerosas empresas manufactureras, la previsión de ventas sirve como un indicador clave para la optimización de inventarios y afecta directamente el nivel de ahorro de costos. Sin embargo, los métodos de investigación existentes se centran principalmente en detectar secuencias y correlaciones locales de series temporales multivariadas (MTS), pero rara vez consideran modelar la información distinta entre las series temporales dentro de la MTS. La precisión de la predicción de series temporales de ventas se ve significativamente influenciada por el entorno dinámico y complejo, por lo que identificar las señales distintas entre diferentes series temporales dentro de una MTS de ventas es más importante. Con el fin de extraer información más valiosa de las series de ventas y mejorar la precisión de la predicción de ventas, diseñamos un marco de mecanismo de universalidad-distinción (UDM) que puede predecir ventas futuras a múltiples pasos. La universalidad representa las características instintivas de las secuencias y los patrones de correlación de ventas con contextos similares. La distinción corresponde a las fluctuaciones en una serie temporal específica debido a factores influyentes complejos o no observados. En el mecanismo, se propone un método de cálculo de atención basado en una medida de escasez de consulta (QSM) para mejorar la eficiencia del modelo propuesto en el procesamiento de grandes MTS de ventas. Además, para mejorar el escenario de toma de decisiones específico de la optimización de inventarios y garantizar una precisión estable en la predicción a múltiples pasos, utilizamos una función de pérdida conjunta Pin-DTW (pérdida de pinball y alineación temporal dinámica). A través de experimentos en el conjunto de datos público de Cainiao, y mediante nuestra cooperación con Galanz, podemos demostrar la efectividad y el valor práctico del modelo. En comparación con la mejor línea base, las mejoras son del 57.27%, 50.68% y 35.26% en el conjunto de datos de Galanz y del 16.58%, 6.07% y 5.27% en el conjunto de datos de Cainiao, en términos de MAE (Error Absoluto Medio), MAPE (Error Porcentual Absoluto Medio) y RMSE (Raíz del Error Cuadrático Medio).