Разработка гибридной модели прогнозирования спроса на транспортные услуги на основе интеллектуальных методов SARIMA и XGBoost

Аннотация: Прогнозирование спроса на автомобильные грузоперевозки представляет задачу повышенной сложности ввиду нелинейной динамики временных рядов, выраженной сезонности и влияния других экзогенных факторов. Тра-диционные статистические модели временных рядов эффективно идентифицируют автокорреляционные струк-туры и сезонные паттерны, однако показывают не всегда удовлетворительные результаты при моделировании нелинейных зависимостей. Алгоритмы машинного обучения, напротив, успешно выявляют скрытые закономер-ности в многомерных данных, но требуют значительных объемов обучающих выборок и демонстрируют неста-бильность при экстраполяции. Исходя из обозначенного, целью работы выступает разработка гибридной модели прогнозирования спроса на транспортные услуги, объединяющей преимущества статистических и алгоритмиче-ских подходов. Методология базируется на последовательной интеграции SARIMA для выделения временной структуры данных и XGBoost для моделирования остаточной вариации с учетом сконструированного набора признаков (временные, лаговые переменные, агрегированные статистики). В качестве эмпирической базы ис-пользованы данные цифровой платформы грузоперевозок за период с января 2024 по декабрь 2025 г. – около 10 000 ежедневных наблюдений. На проведенной автором тестовой выборке (октябрь–декабрь 2025 г.) гибридная модель оказалась точнее изолированных SARIMA, XGBoost и Random Forest по всем метрикам: средняя абсо-лютная процентная ошибка составила 5,21% при R² = 0,928, что на 38,1% ниже, чем у SARIMA, и на 11,2%, чем у XGBoost. Среди предикторов, как удалось отметить, наибольший вклад в прогнозную способность модели вно-сят показатели недельной сезонности и среднесрочные тренды. Полученные результаты предлагается использо-вать операторам логистических платформ при планировании транспортных мощностей и оптимизации маршрут-ных сетей.

Ключевые слова: машинное обучение, временные ряды, xgboost, sarima, гибридная модель, грузоперевозки, прогнозирование спроса