| dc.contributor.author | Пущал, І. І. | uk |
| dc.contributor.author | Богач, І. В. | uk |
| dc.contributor.author | Pushchal, I. I. | en |
| dc.contributor.author | Bogach, I. V. | en |
| dc.date.accessioned | 2026-09-03T10:36:11Z | |
| dc.date.available | 2026-09-03T10:36:11Z | |
| dc.date.issued | 2026 | |
| dc.identifier.citation | Пущал І. І., Богач І. В. Формування структури вхідних даних для базового прогнозу вартості вживаних автомобілів // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29703. | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua/handle/123456789/53183 | |
| dc.description.abstract | У роботі розглянуто особливості формування структури вхідних даних для базового прогнозу вартості вживаних автомобілів. Проаналізовано доцільність використання ринкових даних з онлайн-оголошень, технічних характеристик транспортних засобів та їх поєднання в межах комбінованого підходу. Визначено, що ринкові оголошення дозволяють врахувати актуальну ситуацію на вторинному автомобільному ринку, однак потребують очищення та перевірки релевантності. Технічні характеристики дають змогу точніше описати конкретний автомобіль, але без ринкової складової не відображають поточну цінову ситуацію. Обґрунтовано, що найбільш доцільним є використання комбінованої структури даних, яка поєднує ринкові та технічні параметри й може бути використана як основа для подальшого прогнозування вартості. | uk |
| dc.description.abstract | The paper considers the features of forming the input data structure for a baseline forecast of used car value. The feasibility of using market data from online listings, vehicle technical characteristics, and their combination within a combined approach is analyzed. It is determined that market listings make it possible to take into account the current situation in the used car market, but require cleaning and relevance checking. Technical characteristics allow a more accurate description of a specific vehicle, but without the market component they do not fully reflect the current price situation. It is substantiated that the most appropriate solution is the use of a combined data structure that includes both market and technical parameters and can be used as a basis for further value forecasting. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29703 | |
| dc.subject | вживані автомобілі | uk |
| dc.subject | вхідні дані | uk |
| dc.subject | базовий прогноз | uk |
| dc.subject | прогнозування вартості | uk |
| dc.subject | ринковіоголошення | uk |
| dc.subject | технічні характеристики | uk |
| dc.subject | комбінована структура даних | uk |
| dc.subject | used cars | en |
| dc.subject | input data | en |
| dc.subject | baseline forecast | en |
| dc.subject | value forecasting | en |
| dc.subject | market listings | en |
| dc.subject | technical characteristics | en |
| dc.subject | combined data structure | en |
| dc.title | Формування структури вхідних даних для базового прогнозу вартості вживаних автомобілів | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.42 | |
| dc.relation.references | інформації. У роботі розглядаються основні групи вхідних даних, що можуть використовуватися для формування базового прогнозу вартості вживаних автомобілів, а також аналізується доцільність їх поєднання в межах комбінованого підходу. Результати дослідження У межах задачі формування базового прогнозу вартості вживаних автомобілів доцільно виділити кілька основних підходів. Найпоширенішими серед них є формування оцінки на основі ринкових аналогів, прогнозування за технічними характеристиками транспортного засобу та комбінований підхід, який поєднує обидва джерела інформації. В такому випадку ринок вживаних автомобілів характеризується неоднорідністю, а сама вартість залежить як від поточного стану ринку, так і від індивідуальних параметрів конкретного автомобіля [1]. Для цього доцільно розглядати дві основні групи вхідних даних: ринкові дані з оголошень та технічні характеристики автомобіля. Ринкові дані відображають актуальні ціни, пропозицію та стан вторинного ринку, тоді як технічні характеристики описують індивідуальні параметри конкретного транспортного засобу. Поєднання цих груп даних дозволяє сформувати більш повну інформаційну основу для подальшого прогнозування. Перша група даних пов’язана з використанням цін подібних автомобілів, представлених у ринкових оголошеннях. Його основою є ринковий підхід до оцінювання, за яким вартість об’єкта визначається шляхом порівняння з ідентичними або подібними, для яких доступна ринкова інформація. Ринковий підхід є доцільним за наявності достатньої та релевантної інформації про порівнювані об’єкти. Неточні, неочищені та відсутність даних по моделі авто роблять результати програми менш надійними [1, 2]. Рисунок 1 – Приклад оголошень Ford Focus у базі даних Переваги підходу: - спирається на поточну ринкову ситуацію та відображає актуальні цінові тенденції; - є відносно простим для практичного застосування, особливо для поширених моделей із великою кількістю аналогів; - дозволяє використовувати реальні дані з онлайн-майданчиків продажу автомобілів. Недоліки: - точність залежить від якості оголошень, наявності дублікатів, викидів і нерелевантних пропозицій; - подібні оголошення можуть суттєво відрізнятися за технічним станом, комплектацією та модифікацією, що ускладнює пряме порівняння; - підхід гірше працює для рідкісних автомобілів і нетипових комплектацій, де бракує коректних аналогів. Друга група даних базується на аналізі параметрів самого транспортного засобу. У такому випадку вихідна вартість визначається за ознаками, які описують конкретний автомобіль: марка, модель, рік випуску, пробіг, тип кузова, трансмісія, тип пального, об’єм двигуна та інші характеристики. Найбільш важливими ознаками для прогнозування ціни вживаного автомобіля є бренд, модель, рік, трансмісія, тип кузова, тип пального, об’єм двигуна та пробіг. Задача прогнозування вартості вживаних авто є багатофакторною, а результат суттєво залежить від вибору методу регресії [2, 3]. Рисунок 2 – Приклад технічних характеристик двигунів Ford Focus у базі даних Переваги: - дозволяє врахувати індивідуальні особливості конкретного автомобіля; - краще підходить для аналізу різних модифікацій і комплектацій, ніж просте усереднення ринкових аналогів; - дає можливість формувати оцінку навіть тоді, коли кількість релевантних оголошень є обмеженою. Недоліки методу: - без ринкової складової майже неможливо відображати поточну кон’юнктуру ринку; - залежність ціни від характеристик є складною та часто нелінійною, через що прості моделі можуть давати занижену точність. Комбінована структура даних поєднує ринкові оголошення та технічні характеристики автомобіля. Ідея полягає в тому, що ринкова інформація використовується як основа для визначення стартової вартості, а технічні параметри – як засіб її уточнення. Це є найбільш обґрунтованим у задачах, де важливо одночасно врахувати актуальний стан ринку та індивідуальні особливості транспортного засобу. Включення детальної інформації про комплектацію та оснащення автомобіля зменшує похибку прогнозування MAE на 3,27 %, тобто додаткові характеристики реально підвищують якість передбачення вартості [4]. Переваги підходу: - поєднання актуальності ринкових даних і точність технічних характеристик; - краще адаптується до відмінностей між модифікаціями та комплектаціями автомобілів; - забезпечує більш обґрунтовану стартову оцінку для подальшого прогнозування зміни вартості. Недоліки підходу: - потребує більш складної підготовки та узгодження даних з різних джерел; - вимагає очищення ринкових оголошень і коректного кодування технічних ознак; - є складнішим у реалізації порівняно з окремим використанням лише одного джерела інформації. Отже, проведений аналіз показує, що підхід на основі ринкових аналогів є простим і добре відображає поточну ринкову ситуацію, але чутливий до неоднорідності оголошень. Підхід на основі технічних характеристик краще враховує параметри конкретного автомобіля, однак без ринкової складової може втрачати актуальність. Найбільш доцільною структурою даних для базового прогнозу вартості вживаних автомобілів є комбінований підхід, оскільки він поєднує переваги двох попередніх і забезпечує більш обґрунтовану початкову оцінку, хоча й вимагає більших та чітких даних. Висновки Формування базового прогнозу вартості вживаних автомобілів доцільно здійснювати на основі структурованих вхідних даних, що поєднують ринкову та технічну інформацію. Ринкові оголошення дозволяють врахувати актуальну ситуацію на вторинному автомобільному ринку, однак потребують очищення, перевірки релевантності та усунення неточних пропозицій. Технічні характеристики автомобіля дають змогу деталізувати оцінку з урахуванням марки, моделі, року випуску, пробігу, типу кузова, двигуна, трансмісії та інших параметрів. Найбільш обґрунтованою є комбінована структура даних, оскільки вона поєднує актуальність ринкової інформації з точністю опису конкретного транспортного засобу та створює надійну основу для подальшого прогнозування зміни вартості. СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ | uk |
| dc.relation.references | International Valuation Standards Council. IVS 105: Valuation Approaches and Methods. 2016. | en |
| dc.relation.references | Amik F. R., Lanard A., Ismat A., Momen S. Application of Machine Learning Techniques to Predict the Price of Pre-Owned Cars in Bangladesh. Information. 2021. | en |
| dc.relation.references | Lessmann S., Vo S. Car Resale Price Forecasting: The Impact of Regression Method, Private Information, and Heterogeneity on Forecast Accuracy. International Journal of Forecasting. 2017. | en |
| dc.relation.references | Bergmann S., Feuerriegel S. Machine Learning for Predicting Used Car Resale Prices Using Granular Vehicle Equipment Information. Expert Systems with Applications. 2025. | en |
