Підхід до моделювання часових рядів попиту в електронній торгівлі

Abstract

У роботі запропоновано гібридний підхід до моделювання часових рядів, який одночасно враховує лінійні та нелінійні процеси. Використано моделі авторегресії (AR) та авторегресії з ковзним серед-нім (ARMA), для яких функції прогнозування побудовано на основі різницевих рівнянь.Особливу увагу приділено ідентифікації та обробці стохастичних трендів у процесах електронної торгівлі. Досліджено потенційні причини виникнення таких трендів, підкреслено важливість їх ураху-вання у прогнозуванні та запропоновано застосування моделей авторегресійного інтегрованого ковз-ного середнього (ARIMA) і локального лінійного тренду (LLT). Для цих моделей пода но функції прогнозу-вання, що забезпечують оцінювання багатокрокових прогнозів, з використанням умовних матема-тичних сподівань.Для врахування локальних коливань ринкових умов та споживацьких настроїв, що зазвичай мають нелінійний характер, у дослідженні використано нейромережі з радіально-базисними функціями (RBF). Такі моделі дають можливість описувати нелінійні залежності не лише від попередніх значень ряду, а й від екзогенних чинників процесу, зокрема характеристик товарів, календарних ефектів та інших релевантних ознак.Емпіричні дослідження проведено на основі реальних даних продажів, отриманих з платформи Amazon. Для підтвердження належності даних до досліджуваного класу часових рядів застосовано статистичні тести. Порівняльний аналіз побудованих моделей за метриками якості прогнозів підт-вердив ефективність запропонованої гібридної методології. Результати свідчать, що модель LLT забезпечує кращу ефективність на коротких горизонтах прогнозування, тоді як модель ARIMA є придатнішою для відображення довгострокових тенденцій. Поєднання підходів підвищує адекват-ність моделей і суттєво підви щує якість прогнозів.

This paper proposes a hybrid approach for time series modeling that simultaneously incorporates linear and nonlinear dynamics. Autoregressive (AR) and autoregressive moving average (ARMA) models are applied, with forecasting functions derived difference equations. Particular attention is devoted to the identification and treatment of stochastic trends in e-commerce processes. The research investigates the potential origins of such trends, emphasizes the significance of their explicit consideration in forecasting practice, and proposes the application of both the autoregressive integrated moving average (ARIMA) model and the local linear trend (LLT) model. For these specifications, forecasting functions are derived that provide multi-step predictions alongside with conditional expectations. To address local market fluctuations and consumer sentiment, which typically exhibit nonlinear behavior, the study incorporates radial basis function (RBF) networks. These models enable to describe nonlinear dependencies not only on lagged values of the series but also on exogenous determinants of the process, including product attributes, calendar effects, and other relevant features. The empirical evaluation is conducted using real sales data obtained the Amazon platform. Statistical tests are applied to confirm that the data belong to the investigated class of time series. Comparative analysis of the constructed models, based on the forecast accuracy metrics, demonstrates the efficiency of the proposed hybrid methodology. The results indicate that the LLT model provides superior performance in short-term forecasting horizons, as ARIMA models are more appropriate for capturing long-term tendencies. The combined approach enhances the adequacy of time series representations and substantially improves the quality of practical forecasting outcomes.