Штучний інтелект

Анотація: У статті досліджено можливість застосування глобальної нейромережевої моделі N-BEATS для прогнозування попиту на 14 автомобільних брендів на основі даних пошукової активності за 2023-2025 роки, без використання екзогенних факторів. Модель навчена одночасно на всіх часових рядах і протестована на горизонті 12 місяців (2026 рік); точність прогнозу перевірено на фактичних даних за січень-травень 2026 року. Отримано загальну точність MAPE = 18,2 % (RMSE = 10 136,7), що перевищує точність базової моделі Seasonal Naive (MAPE = 21,5 %). Для 9 із 14 брендів глобальна модель виявилася точнішою за базову; найкращі результати отримано для Suzuki, Mercedes-Benz та Hyundai. Визначено очікувану динаміку попиту на 2026 рік порівняно з фактичним 2025 роком у розрізі кожного бренду. Результати підтверджують придатність пошукової активності як випереджального індикатора попиту та доцільність застосування глобальних нейромережевих моделей за обмеженої довжини часових рядів.

Ключові слова: N-BEATS; глобальні моделі прогнозування; пошукова активність; попит на автомобілі; часові ряди; нейронні мережі; Google Ads.

Посилання:

1. Oreshkin B. N., Carpov D., Chapados N., Bengio Y. N-BEATS: Neural basis expansion analysis for interpretable time series forecasting // International Conference on Learning Representations (ICLR). 2020.
2. Oreshkin B. N., Dudek G., Pełka P., Turkina E. N-BEATS neural network for mid-term electricity load forecasting // Applied Energy. 2021. Vol. 293. 116918. DOI: 10.1016/j.apenergy.2021.116918
3. Olivares K. G., Challu C., Marcjasz G., Weron R., Dubrawski A. Neural basis expansion analysis with exogenous variables: Forecasting electricity prices with NBEATSx // International Journal of Forecasting. 2023. Vol. 39, No. 2. P. 884-900. DOI: 10.1016/j.ijforecast.2022.03.001
4. Montero-Manso P., Hyndman R. J. Principles and algorithms for forecasting groups of time series: Locality and globality // International Journal of Forecasting. 2021. Vol. 37, No. 4. P. 1632-1653. DOI: 10.1016/j.ijforecast.2021.03.004
5. Zhang M., Xu H., Ma N., Pan X. Intelligent Vehicle Sales Prediction Based on Online Public Opinion and Online Search Index // Sustainability. 2022. Vol. 14, No. 16. 10344. DOI: 10.3390/su141610344
6. Іващенко Г. С., Тимошенко Д. О., Близнюк О. В., Кононенко О. М. Моделі глибокого навчання для прогнозування часових рядів // Системи управління, навігації та зв'язку. Збірник наукових праць. 2024. Т. 1, № 75. С. 82-87. DOI: 10.26906/SUNZ.2024.1.082
7. Іващенко Г. С., Пономарьов В. В., Холієв В. В. Короткострокове прогнозування нестаціонарних часових рядів з використанням моделей MLP та LSTM // Системи управління, навігації та зв'язку. Збірник наукових праць. 2023. Т. 1, № 71. С. 91-95. DOI: 10.26906/SUNZ.2023.1.091
8. Abbasimehr, H., & Noshad, A. (2025). Localized global time series forecasting models using evolutionary neighbor-aided deep clustering method. Journal of Forecasting. https://doi.org/10.1002/for.3263
9. Кучер П., Юнькова О. Прогнозування динаміки ринку вітамінів за допомогою нейромереж // Наука і техніка сьогодні. 2023. № 3(17). С. 110-121. DOI: 10.52058/2786-6025-2023-3(17)-110-121
10. Кучер П. В., Юнькова О. О. Моделювання динаміки ринку препаратів для волосся в умовах пандемії COVID-19 // Проблеми сучасних трансформацій. Серія: економіка та управління. 2024. № 13. DOI: 10.54929/2786-5738-2024-13-11-01
11. Google LLC. Google Keyword Planner. Google Ads. URL: https://ads.google.com/home/tools/keyword-planner/
12. Fantazzini D., Toktamysova Z. Forecasting German car sales using Google data and multivariate models // International Journal of Production Economics. 2015. Vol. 170. P. 97-135. DOI: 10.1016/j.ijpe.2015.09.010