аспирант
сотрудник
УДК 519.76 Математические вопросы семиотики
Адаптивные методы прогнозирования позволяют предсказать в краткосрочной перспективе динамику показателей, что нередко приобретает важное значение в условиях динамичности и высокой степени изменчивости экономической конъюнктуры. Проведен сравнительный анализ различных адаптивных походов к прогнозированию спроса, выделены их ограничения и преимущества. Предложена авторская гибридная архитектура для прогнозирования спроса в условиях нестабильной рыночной среды, основанная на концепции пространства состояний с иерархической коррекцией. Предложенная архитектура объединяет макроэкономический контур и микроэкономические показатели в едином пространстве состояний, что позволяет совместно обрабатывать разнородные сигналы: макроэкономические шоки и операционные микроиндикаторы, между которыми в стандартных моделях обычно приходится выбирать. Статистическую основу образует векторная модель коррекции ошибок, фиксирующая устойчивые долгосрочные зависимости; нелинейные паттерны обрабатывают LSTM-сети и градиентный бустинг.
адаптивные методы, спрос, рынок, нестабильность, данные, нейронная сеть, точность
1. Бей С.И., Козар И.Д. Моделирование процессов кризисного менеджмента в малом и среднем бизнесе с использованием big data аналитики и сценариев прогнозирования экономических спадов // Экономика: вчера, сегодня, завтра. 2025. Т. 15. № 6-1. С. 923-934.
2. Змеев В.П. Современное состояние проблемы проектирования нейросетевой системы прогнозирования спроса на электронику с учетом факторов рынка и предпочтений потребителей // Славянский форум. 2025. № 2 (48). С. 221-226.
3. Сенникова А.Е., Старцева А.А., Федоров Н.Б., Шаман А.С. Эконометрическое моделирование спроса на жилье в условиях изменения процентных ставок // Вестник Академии знаний. 2025. № 2 (67). С. 537-540.
4. Степанищев С.А., Турищев Д.К., Петрич А.С. Разработка метода выявления структурных изменений в рядах спроса на основе анализа динамики остатков // Молодой ученый. 2025. № 17 (568). С. 360-362.
5. Яровой А.А. Сравнительный анализ нейросетевых и регрессионных моделей прогнозирования потребительского спроса на основе реальных данных // Мягкие измерения и вычисления. 2025. Т. 92. № 7. С. 51-59.
6. Corey Ducharme, Bruno Agard, Martin Trépanier Improving demand forecasting for customers with missing downstream data in intermittent demand supply chains with supervised multivariate clustering // Journal of Forecasting. 2024. Volume 43, Issue 5. Р. 82-88.
7. Qiong Wang, Linru Jiang, Qinghe Sun An Adaptive Forecasting Framework for EV Charging Demand Using Variational Mode Decomposition and Louvain Community Detection // IET Smart Grid. 2026. Volume 9, Issue 1. Р. 12-18.
8. Rashmi Bareth, Anamika Yadav Daily average load demand forecasting using LSTM model based on historical load trends // IET Generation, Transmission & Distribution. 2024. Volume 18, Issue 5. Р. 100-104.
9. Xun Dou, Yu He, Hanyu Yang An Adaptive Forecasting Method for Net Load Ramping Demand Based on Time–Frequency Dual-Modal Collaboration // IET Generation, Transmission & Distribution. 2025. Volume 19, Issue 1. Р. 60-64.
10. Yi-Chung Hu, Li-Chin Shih A Hybrid Approach Integrating Decomposition Ensemble Forecasting With Optimal Combination Selection for Air Passenger Demand Forecasting // Journal of Mathematics. 2025. Volume 2025, Issue 1. Р. 39-42.
