The grocery retail landscape in Ukraine has witnessed profound transformations, driven by disruptions like the COVID-19 pandemic and full-scale invasion, leading to unstable consumer behavior and market dynamics. In response, forecasting models must evolve to consider stochastic exogenous factors, such as blackout periods and air alarms. This study explores advanced time series forecasting models and proposes a comprehensive framework for optimal model selection. The study introduces the Neural Prophet, a model that combines interpretability and predictive power by incorporating components like non-periodic trends, periodic seasonality, holiday effects, and regressors. The research methodology involves a comparative analysis of classical time series forecasting methods, machine learning regression approaches, and neural networks. Noteworthy models include LightGBM, RNN, TCN, and Neural Hierarchical Interpolation for Time Series (N-HiTS). Optuna hyperparameter optimization and k-fold cross-validation enhance model accuracy. The study applies the proposed framework to forecast order quantities in the e-commerce segment of the Ukrainian grocery retail company. The system accommodates diverse factors like weather, holidays, and promotions, providing &robust decision support. Anomalies are detected using the IQR method, and missingь values are filled using Exponentially Weighted Moving Average. Results show the Neural Prophet consistently outperforming other models in 65% of cases, emphasizing its& superiority. However, a complete transition to neural models results in reduced accuracy, highlighting the need for a nuanced approach based on data characteristics. The study presents a sophisticated framework for forecasting accuracy, supporting e&ffective operational decision-making. Future research should explore ensemble methods while maintaining computational efficiency, aligning with the ongoing pursuit of optimized forecasting accuracy for informed decision-making in grocery retail.
Ри&нок продуктового ритейлу в Україні зазнав глибоких трансформацій, викликаних такими пандемією COVID-19 і повномасштабним вторгненням, що призвело до нестабільної поведінки споживачів і динаміки ринку. У відповідь на волатильність ринку моделі прогноз&ування повинні розвиватися, щоб враховувати стохастичні екзогенні фактори, такі як періоди блекауту та повітряні тривоги. У цьому дослідженні описані просунуті моделі прогнозування часових рядів і пропонується комплексна основа для вибору оптимальної& моделі. В дослідженні представлено модель NeuralProphet, яка поєднує в собі можливість інтерпретації та прогностичну силу шляхом включення таких компонентів, як неперіодичні тренди, сезонність, ефекти свят і регресори. Методологія дослідження передб&ачає порівняльний аналіз класичних методів прогнозування часових рядів, регресійних підходів машинного навчання та нейронних мереж. Варті уваги моделі включають LightGBM, RNN, TCN і нейронну ієрархічну інтерполяцію для часових рядів (N-HiTS). Оптиміз&ація гіперпараметрів за допомоги Optuna та k-fold крос-валідаційної перевірки підвищують точність моделі. Дослідження застосовує запропоновану структуру для прогнозування кількості замовлень у сегменті електронної комерції української компанії на рин&ку продуктового ритейлу. Система враховує різноманітні фактори, такі як погода, свята та акції, забезпечуючи надійну підтримку прийняття рішень. Аномалії виявляються за допомогою методу IQR, а відсутні значення заповнюються за допомогою експоненційно& зваженого ковзного середнього. Результати показують, що NeuralProphet стабільно перевершує інші моделі в 65% випадків, підкреслюючи його прогностичну перевагу. Однак повний перехід від нейронних моделей призводить до зниження точності, підкреслюючи &необхідність індивідуального підходу на основі характеристик даних. Дослідження представляє складну структуру для точності прогнозування, що підтримує ефективне прийняття оперативних рішень. У майбутніх дослідженнях слід вивчити ансамблеві методи, зб&
З 31.12.2014 по 01.03.2015 Наукова бібліотека читачів не обслуговує.
