Інтелектуальна система прогнозування часових рядів продажів із урахуванням екзогенних факторів

Скорочена інформація про документ
dc.contributor.advisorСидорський, Володимир Сергійович
dc.contributor.authorКузьмінська, Віра Сергіївна
dc.date.accessioned2026-09-09T11:29:53Z
dc.date.available2026-09-09T11:29:53Z
dc.date.issued2026
dc.description.abstractДипломна робота: 92 с., 5 рис., 26 табл., 23 посилання, додаток. Об’єктом дослідження є процес прогнозування обсягів продажів у мережі роздрібної торгівлі з урахуванням впливу зовнішніх факторів. Предметом дослідження є методи машинного навчання для прогнозування багатовимірних часових рядів продажів із використанням екзогенних коваріатів. Метою роботи є розробка інтелектуальної системи прогнозування часових рядів продажів, яка ефективно інтегрує екзогенні фактори різної природи для підвищення точності прогнозів порівняно з базовими підходами. У роботі проведено огляд методів прогнозування часових рядів від класичних статистичних підходів до методів машинного та глибокого навчання, запропоновано класифікацію екзогенних факторів. Виконано розвідувальний аналіз реального набору даних мережі продовольчих магазинів Еквадору (1 782 часових ряди, період 2013–2017), розроблено стратегії передобробки та сконструйовано ознаковий простір з 27 ознак у семи групах. Запропоновано валідаційну схему розширювального вікна з трьома непересічними фолдами. Реалізовано інтелектуальну систему прогнозування у вигляді інтегрованого конвеєра з шести компонент: попередньої обробки даних, конструювання ознак, data-driven відбору ознак свят, ансамблю чотирьох моделей LightGBM, автоматичного підбору ваг та валідаційної підсистеми. Зважений ансамбль досягнув RMSLE = 0,425 на цільовому прогнозному вікні — скорочення помилки на 59% відносно базової моделі. Виявлено два систематичні режими помилок, що характеризують фундаментальне обмеження класу історико-залежних моделей.
dc.description.abstractotherBachelor’s thesis: 92 pages, 5 figures, 26 tables, 23 references, appendix. The object of the study is the process of forecasting sales volumes in a retail network with consideration of the impact of external factors. The subject of the study is machine learning methods for forecasting multivariate sales time series using exogenous covariates. The aim of the work is to develop an intelligent system for forecasting sales time series that effectively integrates exogenous factors of different nature to improve forecast accuracy compared to baseline approaches. The work reviews time series forecasting methods from classical statistical approaches to machine learning and deep learning, and proposes a classification of exogenous factors. An exploratory analysis of a real dataset from an Ecuadorian grocery store chain (1 782 time series, period 2013–2017) was performed, preprocessing strategies were developed, and a feature space of 27 features in seven groups was constructed. An expanding window validation scheme with three non overlapping folds was proposed. An intelligent forecasting system was implemented as an integrated pipeline of six components: data preprocessing, feature engineering, data-driven holiday feature selection, an ensemble of four LightGBM models, automatic weight optimization, anda validation subsystem. The weighted ensembleachieved RMSLE= 0.425onthe target forecast window —a59%errorreductioncomparedtothebaselinemodel.Two systematic error regimes characterizing a fundamental limitation of history-dependent model classes were identified.
dc.format.extent92 с.
dc.identifier.citationКузьмінська, В. С. Інтелектуальна система прогнозування часових рядів продажів із урахуванням екзогенних факторів : дипломна робота … бакалавра : 122 Комп'ютерні науки / Кузьмінська Віра Сергіївна. – Київ, 2026. – 92 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82917
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування часових рядів
dc.subjectмашинне навчання
dc.subjectгра дієнтний бустинг
dc.subjectlightgbm
dc.subjectекзогенні фактори
dc.subjectознаковий простір
dc.subjectrmsle
dc.subjectансамблеве моделювання
dc.subjecttime series forecasting
dc.subjectmachine learning
dc.subjectgradient boosting
dc.subjectlightgbm
dc.subjectexogenous factors
dc.subjectfeature space
dc.subjectrmsle
dc.subjectensemble modeling
dc.titleІнтелектуальна система прогнозування часових рядів продажів із урахуванням екзогенних факторів
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Kuzminska_bakalavr.pdf
Розмір:
1005.31 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи