Авторы

Гибридная нейросетевая модель прогнозирования динамических показателей продаж на цифровых торговых платформах

В условиях стремительной цифровизации и роста значимости онлайн-торговли задача прогнозирования объема продаж на маркетплейсах приобретает критическое значение для поддержки управленческих и стратегических решений. Несмотря на значительные достижения нейросетевых моделей, их практическое применение в условиях цифровых платформ сопряжено с рядом ограничений, включая высокую волатильность спроса, разреженность данных, наличие множества гетерогенных факторов с различной динамикой, сложности масштабирования, а также высокие требования к вычислительным ресурсам и объемам обучающих данных. Кроме того, многие нейросетевые модели функционируют как «черные ящики», что затрудняет их применение в задачах, требующих прозрачности и обоснованности прогнозов, что подчеркивает актуальность разработки специализированных моделей, обеспечивающих одновременно высокую точность и интерпретируемость результатов. Целью настоящего исследования являются разработка и апробирование гибридной архитектуры нейросетевой модели, ориентированной на преодоление подобных ограничений с учетом специфики функционирования маркетплейсов. Предлагаемая модель сочетает рекуррентный кодировщик для извлечения временного контекста, модифицированные декодер-блоки, выполняющие разложение временного ряда по обучаемому базису скрытых компонент, и механизм управляемого объединения, обеспечивающий адаптивное включение контекстной информации на каждом уровне декодирования. Применяемый способ формирования прогноза как аддитивной суммы специализированных компонент, каждая из которых обучается выделять определенные структурные элементы, обеспечивает контекстно-зависимое и структурированное представление временного ряда, позволяя точнее учитывать долгосрочные тенденции и периодические колебания, а также повышает устойчивость модели к шуму и разреженности данных. Экспериментальная проверка модели на данных маркетплейса Wildberries продемонстрировала ее превосходство по точности прогнозирования над классическими и базовыми моделями, что подтверждает ее применимость в условиях, характерных для цифровых торговых платформ. Читать дальше...