ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В ЛОГИСТИКЕ
Аннотация: в работе рассмотрены возможности применения нейросетевых технологий для прогнозирования спроса в логистике. Проведен анализ традиционных, машинно-обучающихся и нейросетевых методов прогнозирования, выполнено сравнение их эффективности на основе показателей качества прогноза. Обоснован выбор нейросетевой модели GRU для построения подсистемы прогнозирования спроса и рассмотрены перспективы её интеграции в логистические информационные системы. Показано, что использование нейросетевого подхода позволяет повысить качество поддержки решений в области управления запасами, закупок и распределения товаров.
Ключевые слова: логистика, нейросетевая технология, прогнозирование спроса, информационная система.
https://doi.org/10.24412/2712-8849-2026-699-791-800
В настоящее время применение нейросетевых технологий рассматривается, как инструмент для решения проблемных задач, возникающих в процессе цифровой трансформации логистических систем. В условиях высокой изменчивости спроса, нестабильности поставок и необходимости координации большого числа участников цепи поставок, возрастает значение интеллектуальных методов обработки данных [2],[4], [3]. Нейросетевые технологии применяются в задачах прогнозирования спроса, задержек поставок, управления запасами, мониторинга отклонений на складе, оценки рисков в транспортных цепочках и интеллектуальной маршрутизации. Применение таких моделей открывает новые возможности для повышения точности прогнозов благодаря способности анализировать большие массивы данных и учитывать сложные взаимосвязи между факторами. В современной логистике прогнозирование спроса занимает центральное место, поскольку именно от качества прогноза зависят закупки, пополнение запасов, объёмы хранения, распределение товаров и устойчивость всей цепи поставок [5, с. 21–26]. Значимость прогноза спроса обусловлена необходимостью логистической системы действовать в условиях неопределенности. Закупки и формирование партий осуществляются до того, как фактический спрос будет окончательно подтвержден. Таким образом, любая неточность в прогнозе представляет собой риск, который имеет тенденцию к накоплению. К числу традиционных методологий прогнозирования относятся скользящие средние, экспоненциальное сглаживание, регрессионные модели, методы анализа временных рядов и ARIMA-подобные алгоритмы. Их главные преимущества – это ясность, возможность объяснения результатов и относительная лёгкость внедрения. В логистической практике данные методы часто используются в составе корпоративных логистических систем, включая ERP-, WMS- и TMS-решения, а также BI- и DSS-модули. Однако, в контексте возрастающей сложности логистических условий, ограничения данных подходов становятся всё более очевидными: низкая эффективность в выявлении сложных нелинейных зависимостей, ограниченные возможности при работе с многомерными признаковыми пространствами и подверженность снижению точности в условиях высокой волатильности спроса. Это обусловливает необходимость поиска более эффективных методов прогнозирования, к которым относятся технологии машинного обучения и нейронные сети. Традиционные информационные системы не всегда обеспечивают достаточную глубину аналитики, поэтому актуален переход к интеллектуальным системам. Нейросетевые технологии представляют собой одно из направлений искусственного интеллекта, основанное на использовании искусственных нейронных сетей для выявления скрытых закономерностей в данных, классификации, прогнозирования и принятия решений [1]. Эволюция традиционных информационных систем демонстрирует постепенный переход от учетной логики к аналитической. Так, например современный уровень развития предполагает наличие аналитического слоя, способного не только консолидировать информацию, но и предлагать сценарии действий. Принципиальное отличие нейросетевых моделей от ряда классических методов состоит в том, что они не требуют заранее жестко задавать структуру зависимости между переменными в аналитическом виде. Модель адаптирует внутренние веса таким образом, чтобы наиболее полно описать имеющийся набор данных. Это особенно важно для логистики, где форма зависимости спроса от календаря, промоактивности, внешних факторов и собственной истории ряда может быть существенно нелинейной. Обучение нейронной сети представляет собой процесс оптимизации параметров модели, направленный на минимизацию функции потерь на обучающей выборке. Функция потерь используется как одна из стандартных при обучении регрессионных нейросетевых моделей и позволяет количественно оценить отклонение прогнозных значений от фактических [5]. Кроме того, существенной характеристикой нейросетевых технологий является возможность работы с многомерными входными данными. Чем сложнее взаимосвязь факторов, тем слабее оказываются упрощённые линейные модели и тем заметнее преимущества нейросетевых архитектур. В качестве направлений применения нейросетевых технологий в логистике для практической реализации была выбрана задача прогнозирования спроса. Этап развития прогнозирования спроса связан с переходом от исключительно статистических моделей к методам машинного обучения и глубокого обучения. Исследования выделяют три крупных группы подходов: классические статистические методы, алгоритмы машинного обучения и нейросетевые модели [6], [8], [9]. Нейросетевые подходы рассматриваются как следующий этап развития прогнозирования. В исследованиях по временным рядам особое внимание уделяется рекуррентным архитектурам, в частности LSTM и GRU. Их основное преимущество заключается в эффективной работе с последовательностями данных и учет долгосрочных связей между ними. В то время как классические модели требуют признаков для временных данных, рекуррентные сети обрабатывают сами последовательности напрямую. Таблица 1. Сравнение современных интеллектуальных методов прогнозирования. Отдельного внимания заслуживает вопрос метрик. В прикладной логистике недостаточно измерять точность прогноза только одной величиной. MAE позволяет оценить абсолютное отклонение без усиления крупных ошибок, RMSE более чувствителен к выбросам, а MAPE удобен для интерпретации ошибки в относительном выражении. Поэтому использование комплекса метрик обеспечивает более объективное сравнение различных подходов к прогнозированию спроса. Результаты аналитического сопоставления приводят к выводу, что для исследования необходимо одновременно включить: статистическую модель SARIMAX как классический ориентир, RandomForest как сильный non-neural baseline, GRU и LSTM как две основные рекуррентные архитектуры. Такой набор обеспечивает содержательное сравнение и позволяет в дальнейшем аргументированно выбрать финальную модель для подсистемы. Таблица 2. Матрица выбора модели для логистической подсистемы. Статистическая модель SARIMAX была выбрана в качестве классического ориентира, поскольку она позволяет явно учитывать трендовую и авторегрессионную структуру ряда. RandomForest выступает в роли сильного машинно-обучающегося baseline и показывает, как далеко можно продвинуться без последовательной нейросетевой архитектуры. LSTM и GRU образуют нейросетевую часть сравнительного контура, позволяя оценить не только превосходство нейросетей над классическими моделями, но и различия внутри самого класса рекуррентных архитектур. Полученный результат имеет важное методическое значение. Во-первых, он подтверждает, что выбор нейросетевой модели должен основываться на эксперименте, а не на репутации архитектуры. Во-вторых, он показывает, что лучшая по абсолютным метрикам модель не всегда совпадает с финальным исследовательским выбором, если задача диссертации ориентирована именно на нейросетевую технологию и перспективу последовательного развития подсистемы. В-третьих, сравнение подчеркивает необходимость включать в контур сильные non-neural baseline, иначе оценка нейросетей будет неполной. Результаты сравнительного анализа качества прогнозирования представлены в таблице 3. Сопоставление значений MAE, RMSE и MAPE позволило оценить эффективность исследуемых подходов и выбрать наиболее подходящую архитектуру для построения подсистемы прогнозирования спроса. Таблица 3. Сравнение качества моделей на тестовом интервале. Рис. 1. Сравнение прогнозов моделей на тестовом интервале.Сравнение моделей целесообразно проводить на нескольких уровнях. Первый уровень — формальные метрики ошибки. Второй — визуальный анализ фактической и прогнозной траекторий. Третий — интерпретация ошибок с точки зрения логистического решения, то есть оценка того, к какому объёму избыточного или недостающего запаса мог бы привести данный прогноз [7], [10]. В результате исследования были рассмотрены современные подходы к прогнозированию спроса и обоснован выбор нейросетевой модели GRU для логистической подсистемы. Разработанная подсистема может быть встроена в контур поддержки логистических решений. Полученный прогноз спроса может использоваться при формировании закупочного плана, расчёте точки заказа, определении страхового запаса и оценке рисков дефицита. Практический эффект её внедрения заключается в повышении качества обоснования управленческих решений в области управления запасами.
Полная версия статьи PDF
Номер журнала «Вестник науки» № 6 (99) том 4 ч. 1
Ссылка для цитирования:
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В ЛОГИСТИКЕ // Журнал «Вестник науки» от 25 июня 2026 г. № 6 (99) том 4 ч. 1. С. 791 - 800. 2026 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/32290 (дата обращения: 15.11.2026 г.)
Альтернативная ссылка латинскими символами: vestnik-nauki.com/article/32290
Нашли грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики) ?
- напишите письмо в редакцию журнала: zhurnal@vestnik-nauki.com
