ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ АЛГОРИТМІВ ДЛЯ ЗАДАЧ З РОЗРАХУНКУ ЕКОНОМІЧНИХ ПРОГНОЗІВ БУДІВЕЛЬНИХ КОМПАНІЙ

Іван Володимирович Попович

Анотація


У статті досліджується ефективність застосування алгоритмів економіко-математичного моделювання для прогнозування діяльності будівельних компаній. Обґрунтовано актуальність використання сучасних методів прогнозування в умовах нестабільного ринкового середовища та значних коливань цін на будівельні матеріали, послуги та фінансові ресурси. Проведено порівняння класичних статистичних моделей (ARIMA, регресійний аналіз) з алгоритмами машинного навчання (дерева рішень, ансамблеві моделі, нейронні мережі) за критеріями точності прогнозів і швидкості обчислень. Результати дослідження свідчать, що алгоритми машинного навчання забезпечують вищий рівень точності при довгострокових прогнозах, тоді як класичні методи залишаються ефективними для короткострокових завдань. Отримані висновки можуть бути використані у практичній діяльності будівельних підприємств для підвищення ефективності управління, зменшення ризиків і покращення стратегічного планування.


Повний текст:

PDF

Посилання


Буряк П. Економіко-математичні методи і моделі : навч. посіб. – Київ : КНЕУ, 2018. – 412 с.

Бокс Дж., Дженкінс Г. Аналіз часових рядів: прогнозування та управління. – Київ : Основи, 2016. – 352 с.

Дорошенко Т. В., Білан О. В. Інтелектуальні системи підтримки прийняття рішень у будівництві. – Харків : ХНУБА, 2020. – 164 с.

Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – New York : Springer, 2017. – 745 p.

Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. – Sebastopol : O’Reilly Media, 2022. – 1140 p.

Choudhury S., Shankar R. Machine learning-based forecasting models for construction cost and schedule performance: A systematic review // Automation in Construction. – 2021. – Vol. 127. – Article 103728.

Brynjolfsson E., McAfee A. Machine, Platform, Crowd: Harnessing Our Digital Future. – New York : W. W. Norton & Company, 2017. – 416 p.


Посилання

  • Поки немає зовнішніх посилань.