Інформаційна система прогнозування та аналізу продажів у роздрібній торгівлі
Тип публікації :
Магістерська робота
Дата випуску :
2026
Автор(и) :
Ткачук, Святослав Васильович
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Ткачук, С. В. (2026). Інформаційна система прогнозування та аналізу продажів у роздрібній торгівлі [Магістерська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/15071834/23577
[ДСТУ] Ткачук С. В. Інформаційна система прогнозування та аналізу продажів у роздрібній торгівлі : кваліфікаційна робота магістра : 122 Комп’ютерні науки / наук. кер. Ю. Л. Хлевна. Київ, 2026. 136 с. URL: https://ir.library.knu.ua/handle/15071834/23577 (дата звернення: 25.07.2026).
Мета кваліфікаційної роботи магістра – розробка та дослідження адаптивної системи прогнозування продажів для роздрібних торговельних мереж на основі архітектури Temporal Fusion Transformer з інтеграцією механізмів безперервного навчання для подолання проблем концептуального дрейфу та холодного старту, спрямована на підвищення точності прогнозів та покращення адаптивності моделі до змін розподілу даних в умовах нестаціонарного середовища. Об'єкт дослідження – процес прогнозування обсягів продажів у роздрібних торговельних системах в умовах постійного потокового надходження даних та змін ринкових умов. Предмет дослідження – методи машинного навчання, архітектурні рішення та алгоритмічні підходи до побудови адаптивних систем прогнозування на основі Temporal Fusion Transformer з механізмами безперервного навчання для подолання проблем нестаціонарності, концептуального дрейфу та холодного старту. Наукова новизна роботи. 1. Запропоновано комплексний підхід до прогнозування продажів, що інтегрує архітектуру Temporal Fusion Transformer з методами безперервного навчання для одночасного подолання концептуального дрейфу та проблеми холодного старту. 2. Удосконалено застосування синтетичної аугментації на етапі навчання, яке імітує відсутність історичних даних та зміни розподілу попиту і цін, що підвищує узагальнювальну здатність моделі в нестаціонарних умовах. 3. Запропоновано механізм проксі-ініціалізації векторних представлень для нових товарів на основі їхньої категоріальної та відділової приналежності, який уможливлює використання навчених патернів семантично близьких об'єктів без повного перерахунку параметрів мережі. 4. Дістало подальший розвиток підхід параметрично ефективного донавчання на базі низькорангової адаптації з одночасним оновленням шарів вкладень, що забезпечує мінімальне споживання пам'яті та прискорену інкрементальну адаптацію моделі. Ключові слова: прогнозування продажів, Temporal Fusion Transformer, безперервне навчання, Continual Learning, Low-Rank Adaptation, Experience Replay, Elastic Weight Consolidation, квантильна регресія, хмарні системи.
Галузі знань та спеціальності :
12 Інформаційні технології::122 Комп’ютерні науки
Галузі науки і техніки (FOS) :
Комп'ютерні та інформаційні науки
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
4.65 MB
Контрольна сума :
(MD5):ecc6bace2e42daf1d9b25e4fbed9e730
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International