ВИКОРИСТАННЯ BIG DATA та AI ДЛЯ ПРОГНОЗУВАННЯ ПОПИТУ НА ПОШТОВО-ЛОГІСТИЧНІ ПОСЛУГИ В УМОВАХ ТУРБОЛЕНТНОСТІ
Анотація
У статті досліджено можливості використання Big Data та технологій штучного інтелекту для прогнозування попиту на поштово-логістичні послуги України в умовах підвищеної турбулентності, спричиненої воєнними діями, нестабільністю ринкових процесів та динамічними змінами попиту. Розглянуто ключові джерела даних у, а також методи їх обробки та аналізу для побудови більш точних і адаптивних прогностичних моделей. Особливу увагу у дослідженні було приділено аналізу сучасних інструментів інтелектуальної обробки даних, зокрема кластеризації методом DBSCAN та прогнозуванню часових рядів за допомогою Long Short-Term Memory (LSTM), які є наданий момент найефективнішими для прогнозування часових рядів. Проведено порівняльний аналіз традиційних методів прогнозування та моделей побудованих із використанням технологій штучного інтелекту й Big Data для виявлення методу прогнозування з найнижчим відсотком похибки прогнозу. Дослідження базується на аналізі сучасних наукових публікацій з тематики Big Data, машинного навчання та логістики.
Завантаження
Посилання
2. A study of deep learning-based algorithms for supply chain logistics demand forecasting. Learning-Gate Journal. 2025. DOI: https://doi.org/10.55214/25768484.v9i3.5650
3. AI-driven big data analytics: the next big thing in supply chain management. DHL Global. 2023. URL: https://www.dhl.com/global-en/delivered/innovation/big-data-analytics-in-supply-chain-management.html
4. Comparative Analysis of Traditional and AI-based Demand Forecasting Models. ResearchGate. 2024. URL: https://www.researchgate.net/publication/388443834
5. DBSCAN Clustering in ML – Density based clustering. GeeksforGeeks. 2023. URL: https://www.geeksforgeeks.org/machine-learning/dbscan-clustering-in-ml-density-based-clustering/
6. Hofmann E., Rutschmann E. Big data analytics and demand forecasting in supply chains: a conceptual analysis. The International Journal of Logistics Management. 2018. Vol. 29(2). P. 739–766. URL: https://www.sciencedirect.com/org/science/article/abs/pii/S0957409318000688
7. Kagalwala H., Venkatesh G. Predictive Analytics in Supply Chain Management: The Role of AI and Machine Learning in Demand Forecasting. ACR Journal. 2025. URL: https://acr-journal.com/article/predictive-analytics-in-supply-chain-management-the-role-of-ai-and-machine-learning-in-demand-forecasting-886/
8. Mitra A., Sutradhar S. Comparative Study of Demand Forecasting Models for Retail Chain. International Journal of Retail & Distribution. 2022. URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC9514716/
9. What is LSTM – Long Short Term Memory? GeeksforGeeks. 2023. URL: https://www.geeksforgeeks.org/deep-learning/deep-learning-introduction-to-long-short-term-memory/
10. Zamani E. D., Fosso Wamba S., Kala Kamdjoug J. Artificial intelligence and big data analytics for supply chain resilience: a systematic literature review. Annals of Operations Research. 2023. URL: https://www.researchgate.net/publication/363319307
Переглядів анотації: 26 Завантажень PDF: 10 Завантажень PDF: 4
