Вестник УлГТУ
Лебедев Д.О., Романов А.А. Подход для прогнозирования продаж на основе гибридных моделей с использованием методов интеллектуального анализа данных
Cite. Dmitry O. Lebedev, Anton A. Romanov An approach to sales forecasting based on hybrid models using data mining methods // Bulletin of Ulyanovsk State Technical University 109(1), 27-29 (2025).
Abstract. The project proposes the development of hybrid sales forecasting models based on data mining methods. These models integrate historical data, price dynamics, seasonal factors, and cluster analysis to improve forecast accuracy. The methodology combines machine learning techniques (Support Vector Regression, Extreme Learning Machine) and clustering methods (K-means, GHSOM). Forecasts are generated using data from similar entities, allowing consideration of both regular trends and the specifics of new store openings. Adaptive correction employs error distribution and trend detection methods. The scientific significance lies in proposing a model that effectively combines diverse factors and applies weighted forecast aggregation to enhance resilience to market condition changes.
Keywords: neural networks, clustering, sales forecast, machine learning model.
Цитата. Дмитрий Олегович Лебедев, Антон Алексеевич Романов Подход для прогнозирования продаж на основе гибридных моделей с использованием методов интеллектуального анализа данных // Вестник Ульяновского государственного технического университета. 2025. №1. С. 27-29.
Аннотация. Проект предлагает разработку гибридных моделей прогнозирования продаж на основе методов интеллектуального анализа данных. Эти модели интегрируют исторические данные, динамику цен, сезонные факторы и кластерный анализ для повышения точности прогнозов. Методология сочетает машинное обучение (Support Vector Regression, Extreme Learning Machine) и кластерный анализ (K-средние, GHSOM). Прогнозы формируются на основе данных схожих объектов, что позволяет учитывать регулярные тенденции и особенности новых магазинов. Для адаптивной коррекции используются методы распределения ошибок и детекции трендов. Научная значимость заключается в предложении модели, которая эффективно комбинирует разнообразные факторы и применяет взвешенное агрегирование прогнозов для повышения устойчивости к изменению рыночных условий.
Ключевые слова: нейронные сети, кластеризация, прогноз продаж, модель машинного обучения.
doi: 10.61527/1684-7016-2025-1-27-29