Моделі та інформаційне забезпечення прогнозування цін на автотранспортні засоби методами машинного навчання

Подольський Н. В. Моделі та інформаційне забезпечення прогнозування цін на автотранспортні засоби методами машинного навчання : кваліфікаційна робота магістра : 122 Комп’ютерні науки / наук. кер. А. Хлевний. Київ, 2025. 119 с.

Мета дипломної роботи магістра – підвищення ефективності прогнозування цін на автомобілі за рахунок створення моделі машинного навчання, яка дозволяє точніше визначати ціну авто та враховувати ключові фактори, що на неї впливають.
Об’єкт дослідження – процес формування та прогнозування ринкових цін на автотранспортні засоби.
Предмет дослідження – моделі машинного навчання та інформаційне забезпечення, що використовуються для прогнозування цін на автомобілі.
Наукова новизна роботи – поєднання нейронних мереж з механізмом уваги для прогнозування цін на автотранспортні засоби. Такий підхід дозволяє досягти високої точності, гнучкості та стійкості моделі порівняно з традиційними методами.
Більшість існуючих робіт з прогнозування цін на автомобілі використовують прості алгоритми (лінійну регресію, дерева рішень). У цій роботі використовується механізм уваги всередині нейронної мережі, який дає змогу моделі фокусуватися на найбільш важливих характеристиках, чого зазвичай немає у класичних градієнтних бустингових моделях. Також застосовується кілька методів вибору важливих ознак (mutual_info, chi², F-тест), що забезпечує краще очищення даних перед навчанням. У багатьох існуючих дослідженнях ці етапи спрощують або ігнорують, що знижує якість моделей.
Завдяки цьому підходу робота досягає більшої стійкості та точності прогнозів на реальних, великих наборах даних, що виділяє її серед інших робіт у цій галузі.
Дипломна робота складається зі вступу, основної частини, яка включає чотири розділи, висновків та списку використаних джерел. Всього налічує 119 сторінок, перелік посилань з 54 джерел на 5 сторінках та 3 додатків.
Ключові слова: прогнозування цін, автомобілі, машинне навчання, нейронні мережі, механізм уваги, XGBoost, feature selection, взаємна інформація, середньоквадратична помилка, коефіцієнт детермінації, гібридні моделі, обробка даних.