Сидорський, Володимир СергійовичКузьмінська, Віра Сергіївна2026-09-092026-09-092026Кузьмінська, 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.https://ela.kpi.ua/handle/123456789/82917Дипломна 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.92 с.ukпрогнозування часових рядівмашинне навчаннягра дієнтний бустингlightgbmекзогенні факториознаковий простірrmsleансамблеве моделюванняtime series forecastingmachine learninggradient boostinglightgbmexogenous factorsfeature spacermsleensemble modelingBachelor Thesis