ПІДХІД ДО МОДЕЛЮВАННЯ ЧАСОВИХ РЯДІВ ПОПИТУ В ЕЛЕКТРОННІЙ ТОРГІВЛІ

О. С. Братусь; В. Я. Данилов

doi:10.31649/1997-9266-2025-182-5-105-112

Автор(и)

О. С. Братусь

Національний технічний університет України ""Київський політехнічний інститут імені Ігоря Сікорського"" ROR

В. Я. Данилов

Національний технічний університет України ""Київський політехнічний інститут імені Ігоря Сікорського"" ROR

DOI https://doi.org/10.31649/1997-9266-2025-182-5-105-112

Ключові слова

електронна торгівля ARMA ARIMA модель локального лінійного тренду радіально-базисні функції

Анотація

У роботі запропоновано гібридний підхід до моделювання часових рядів, який одночасно враховує лінійні та нелінійні процеси. Використано моделі авторегресії (AR) та авторегресії з ковзним середнім (ARMA), для яких функції прогнозування побудовано на основі різницевих рівнянь.

Особливу увагу приділено ідентифікації та обробці стохастичних трендів у процесах електронної торгівлі. Досліджено потенційні причини виникнення таких трендів, підкреслено важливість їх урахування у прогнозуванні та запропоновано застосування моделей авторегресійного інтегрованого ковзного середнього (ARIMA) і локального лінійного тренду (LLT). Для цих моделей подано функції прогнозування, що забезпечують оцінювання багатокрокових прогнозів, з використанням умовних математичних сподівань.

Для врахування локальних коливань ринкових умов та споживацьких настроїв, що зазвичай мають нелінійний характер, у дослідженні використано нейромережі з радіально-базисними функціями (RBF). Такі моделі дають можливість описувати нелінійні залежності не лише від попередніх значень ряду, а й від екзогенних чинників процесу, зокрема характеристик товарів, календарних ефектів та інших релевантних ознак.

Емпіричні дослідження проведено на основі реальних даних продажів, отриманих з платформи Amazon. Для підтвердження належності даних до досліджуваного класу часових рядів застосовано статистичні тести. Порівняльний аналіз побудованих моделей за метриками якості прогнозів підтвердив ефективність запропонованої гібридної методології. Результати свідчать, що модель LLT забезпечує кращу ефективність на коротких горизонтах прогнозування, тоді як модель ARIMA є придатнішою для відображення довгострокових тенденцій. Поєднання підходів підвищує адекватність моделей і суттєво підвищує якість прогнозів.

168 80

Як цитувати

[1]

«ПІДХІД ДО МОДЕЛЮВАННЯ ЧАСОВИХ РЯДІВ ПОПИТУ В ЕЛЕКТРОННІЙ ТОРГІВЛІ», Вісник ВПІ, вип. 5, с. 105–112, Жов 2025, doi: 10.31649/1997-9266-2025-182-5-105-112.

Завантажити посилання

Біографії авторів

автор О. С. Братусь, афіліація Національний технічний університет України ""Київський політехнічний інститут імені Ігоря Сікорського""

аспірант кафедри математичних методів системного аналізу

автор В. Я. Данилов, афіліація Національний технічний університет України ""Київський політехнічний інститут імені Ігоря Сікорського""

д-р техн. наук, професор, професор кафедри штучного інтелекту

Посилання

G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, Time series analysis: forecasting and control. John Wiley & Sons, 2015. https://doi.org/10.1111/jtsa.12194 .

R. J. Hyndman, and G. Athanasopoulos, Forecasting: principles and practice. OTexts, 2018.

P. I. Bidyuk, V. D. Romanenko, and O. L. Tymoshchuk, Time Series Analysis. Kyiv: Igor Sikorsky KPI, 2012.

A. C. Harvey, Forecasting, structural time series models and the Kalman filter, 1990. https://doi.org/10.1017/CBO9781107049994 .

J. Durbin, and S. J. Koopman, Time Series Analysis by State Space Methods. Oxford University Press, 2012. https://doi.org/10.1093/acprof:oso/9780199641178.001.0001 .

S. Makridakis, E. Spiliotis, and V. Assimakopoulos, “M5 accuracy competition: Results, findings, and conclusions,” International Journal of Forecasting, vol. 38, no. 4, pp. 1346-1364, 2022. https://doi.org/10.1016/j.ijforecast.2021.11.013 .

K. Bandara, P. Shi, C. Bergmeir, H. Hewamalage, Q. Tran, and B. Seaman, “Sales Demand Forecast in E-commerce using a Long Short-Term Memory Neural Network Methodology,” arXiv [cs.LG]. 2019. https://doi.org/10.48550/arXiv.1901.04028 .

D. Salinas, V. Flunkert, J. Gasthaus, and T. Januschowski, “DeepAR: Probabilistic forecasting with autoregressive recurrent networks,” International Journal of Forecasting, vol. 36, no. 3, pp. 1181-1191, 2020. https://doi.org/10.1016/j.ijforecast.2019.07.001 .

B. N. Oreshkin, D. Carpov, N. Chapados, and Y. Bengio, “N-BEATS: Neural basis expansion analysis for interpretable time series forecasting,” arXiv [cs.LG]. 2020. https://doi.org/10.48550/arXiv.1905.10437 .

G. P. Zhang, “Time series forecasting using a hybrid ARIMA and neural network model,” Neurocomputing, vol. 50, pp. 159-175, 2003. https://doi.org/10.1016/S0925-2312(01)00702-0 .

M. Khashei, and M. Bijari, “A novel hybridization of artificial neural networks and ARIMA models for time series forecasting,” Applied Soft Computing, vol. 11, no. 2, pp. 2664-2675, 2011. https://doi.org/10.1016/j.asoc.2010.10.015 .

J. Park, and I. W. Sandberg, “Universal Approximation Using Radial-Basis-Function Networks,” Neural Computation, vol. 3, no. 2, pp. 246-257, 06 1991. https://doi.org/10.1162/neco.1991.3.2.246 .

П. І. Бідюк, «Системний підхід до прогнозування на основі моделей часових рядів,» Системні дослідження та інформаційні технології, № 3, c. 88-110, 2003.

A. Berke, “Open e-commerce 1.0: Five years of crowdsourced U.S. Amazon purchase histories,” Scientific Data, vol. 11, no. 491. https://doi.org/10.7910/DVN/YGLYDY .