СРАВНЕНИЕ ТОЧНОСТИ КРАТКОСРОЧНОГО И ДОЛГОСРОЧНОГО ПРОГНОЗИРОВАНИЯ СПРОСА НА ТРАНСПОРТНЫЕ УСЛУГИ С ИСПОЛЬЗОВАНИЕМ ИНТЕЛЛЕКТУАЛЬНЫХ МЕТОДОВ

COMPARISON OF THE ACCURACY OF SHORT‑TERM AND LONG‑TERM FORECASTING OF DEMAND FOR TRANSPORTATION SERVICES USING INTELLIGENT METHODS

Bokarev Dmitry Vyacheslavovich

Graduate student, Russian Academy of National Economy and Public Administration under the President of the Russian Federation, Russia, Moscow

Аннотация. В статье рассматривается вопрос зависимости точности прогнозирования спроса на автомобильные грузоперевозки от длительности временного горизонта. На основе данных цифровой платформы за период 2024–2025 гг. проведено сравнение производительности четырех моделей на недельном, месячном и квартальном интервалах. Выявлены факторы, обуславливающие деградацию производительности и предложены рекомендации по выбору горизонта прогнозирования с учетом специфики решаемых задач.

Abstract. The article examines the dependency of the accuracy of demand forecasting for road freight transportation on the length of the time horizon. Based on data from a digital platform for the 2024–2025, a comparison of the performance of four models was conducted across weekly, monthly, and quarterly intervals. Factors contributing to performance degradation were identified, and recommendations for selecting the forecasting horizon were proposed, taking into account the specifics of business tasks.

Ключевые слова: прогнозирование спроса, транспортные услуги, временной горизонт, гибридная модель, SARIMA, XGBoost, грузоперевозки.

Keywords: demand forecasting, transportation services, time horizon, hybrid model, SARIMA, XGBoost, freight transportation.

Спрос на транспортные услуги является одним из главных экономических показателей для операторов логистики и платформ по осуществлению грузоперевозок и, как и большинство рыночных индикаторов, носит динамичный и нестационарный характер [1]; способность выявлять его будущие значения формирует конкурентное преимущество, позволяя оптимизировать распределение подвижного состава, планировать загрузку ресурсов, корректировать тарифную политику и снижать операционные издержки. В литературе для прогнозирования спроса в транспортной отрасли традиционно применяются как классические методы анализа временных рядов (ARIMA, SARIMA), так и интеллектуальные алгоритмы машинного обучения и их комбинации [2, 3, 4, 5]. Например, в исследовании по железнодорожным грузовым перевозкам показано практическое преимущество ARIMA для годичных прогнозов в прикладном контексте KTZ [4]. В исследовании же спроса на автомобильные перевозки в сервисах совместной мобильности было показано, что нейросетевая модель в общем случае обеспечивает более высокую точность краткосрочного прогноза по сравнению с ARIMAX и регрессионными подходами, снижая индикатор RMSE на 15-25% [5]. Между тем, вопрос зависимости точности прогнозов от временного горизонта остаётся недостаточно изученным. В связи с этим в настоящей статье мы сравниваем производительность четырёх моделей прогнозирования спроса на автомобильные грузоперевозки и услуги переезда на краткосрочном (неделя), среднесрочном (месяц) и долгосрочном (квартал) горизонтах.

Эмпирическую базу исследования составили данные цифровой платформы грузоперевозок за период январь 2024 - декабрь 2025 с ежедневной частотой наблюдений. Временной ряд подвергался предварительной обработке: выбросы идентифицировались методом межквартильного размаха и заменялись линейной интерполяцией, пропущенные значения восполнялись скользящим средним с окном в 7 дней.

Для моделирования применялись четыре модели:

• SARIMA(1,1,1)(1,1,1)₇ с недельной сезонностью;
• XGBoost с признаками временных лагов, скользящих средних и календарных индикаторов;
• Random Forest с аналогичным набором предикторов;
• гибридная модель SARIMA-XGBoost, где первый компонент захватывает автокорреляционную структуру, второй – моделирует остатки.

Обучение проводилось на выборке январь 2024 — сентябрь 2025, тестирование — на данных октябрь–декабрь 2025. Для каждого горизонта прогнозирования вычислялась средняя абсолютная процентная ошибка как индикатор точности. Итоговые результаты сравнительного анализа представлены в таблице ниже (табл. 1).

Таблица 1.

Средняя абсолютная процентная ошибка (MAPE, %) прогнозов на различных временных горизонтах

Заметно, что производительность всех моделей последовательно снижается при увеличении временного горизонта. На недельном горизонте гибридная модель обеспечивает MAPE 3.6%, превосходя изолированные подходы на 30-45%. XGBoost демонстрирует вторую по точности производительность (4.1%), Random Forest занимает промежуточное положение (4.5%), тогда как SARIMA уступает алгоритмическим методам (5.2%).

Переход к месячному горизонту сопровождается закономерным ростом ошибок: гибридная модель сохраняет лидерство с MAPE 5.2%, однако разрыв с XGBoost (5.9%) сокращается.

На квартальном горизонте деградация точности становится еще более выраженной: гибридная модель достигает MAPE 8.7%, XGBoost — 9.3%, Random Forest — 10.1%, SARIMA — 12.8%.

Ухудшение точности при удлинении горизонта возможно объяснить несколькими факторами. Первый – накопление ошибок предсказания: многошаговое прогнозирование использует собственные прогнозы предыдущих периодов в качестве входных данных, что приводит к распространению и усилению погрешностей. Второй – затухание автокорреляционных связей: влияние исторических значений спроса на текущие показатели ослабевает во времени, снижая информативность лаговых переменных. Последний фактор связан с возрастанием неопределенности внешних условий: структурные сдвиги в отрасли накапливаются на длительных интервалах, создавая, тем самым, непредсказуемую вариацию спроса.

Примечательно, что гибридная модель показывает меньшую деградацию производительности при переходе от недельного к квартальному горизонту (рост MAPE на 5.1 п.п.) по сравнению с изолированной SARIMA (рост на 7.6 п.п.), что, в общем случае, указывает на повышенную робастность комбинированного подхода к удлинению горизонта предсказания.

Исходя из выявленного, мы можем утверждать, что выбор временного горизонта прогнозирования должен определяться спецификой бизнес-задач. Так, краткосрочные прогнозы (неделя) обеспечивают минимальную ошибку и пригодны для оперативного управления: распределение заказов между водителями, формирование сменных графиков, корректировка тарифов в условиях изменяющегося спроса. Среднесрочные прогнозы (месяц) балансируют между точностью и практической применимостью, поддерживая решения по планированию загрузки подвижного состава, закупке топлива, организации технического обслуживания. Долгосрочные прогнозы (квартал и более) характеризуются возросшей погрешностью, однако остаются полезными для стратегического планирования: расширение автопарка, открытие новых направлений, заключение долгосрочных контрактов с корпоративными клиентами. При выборе модели операторам транспортных платформ рекомендуется применять гибридные подходы для минимизации ошибок на всех горизонтах, особенно при необходимости квартального планирования, где преимущество комбинированных методов проявляется наиболее отчетливо.

Итак, полученные результаты подтверждают, что точность прогнозирования спроса на транспортные услуги систематически снижается с увеличением временного горизонта, при этом гибридная модель SARIMA-XGBoost обеспечивает оптимальный баланс между производительностью и робастностью на всех рассмотренных интервалах.