Інтелектуальні системи прогнозування демографічних змін та їх вплив на маркетингові стратегії в ІТ-індустрії

Автор(и)

  • Д.І. Угрин Вінницький національний технічний університет
  • Ю.О. Ушенко Вінницький національний технічний університет
  • О.М. Яцько Вінницький національний технічний університет
  • А.Я. Довгунь Вінницький національний технічний університет
  • Ю.Г. Добровольський Вінницький національний технічний університет

DOI:

https://doi.org/10.31649/1681-7893-2024-48-2-13-23

Ключові слова:

інтелектуальна система, машинне навчання, нейронна мережа, ІТ-галузь, прогнозування демографічних змін, маркетингові стратегії

Анотація

Стаття присвячена розробці інтелектуальної системи для прогнозування демографічних змін, що є важливим завданням у сучасному світі. Традиційний аналіз демографічних даних стикається з труднощами, такими як обмежений доступ до актуальної інформації та значний обсяг неструктурованих даних. Система автоматизує обробку демографічних показників (народжуваність, смертність, міграція) та їх структуризацію для подальшого аналізу й прогнозування. Автори реалізували моделі ARIMA та Exponential Smoothing, які дозволяють прогнозувати чисельність населення на основі трендів і сезонності. Тестування моделей для України, Бразилії та інших країн показало, що точність прогнозів залежить від соціально-економічних особливостей кожної держави. ARIMA виявила високу точність у прогнозуванні для стабільних регіонів, тоді як Exponential Smoothing адаптується до змін у трендах. Ця система надає аналітикам і урядам важливий інструмент для ухвалення обґрунтованих стратегічних рішень у сфері демографічної політики, дозволяючи враховувати складні взаємозв’язки та динамічні тенденції.

Посилання

Shahrizal, K., et al. (2022). Comparison of ARIMA and Exponential Smoothing in Population Forecasting. Journal of Data Science, 25(3), p. 15.

Bahuguna, A., et al. (2023). Time Series Forecasting of Population Data using ARIMA and Exponential Smoothing Models. International Journal of Research in Medical Sciences, 11(5), p.8.

Kim, M., & Lee, J. (2023). Demographic Prediction Using Hybrid Time Series Models." IEEE Access, 31(6), p. 10.

Gupta, R. & Singh, V. (2021). Forecasting Demographic Changes with ARIMA and Holt-Winters Methods. Demographic Research Journal, 44(5), p. 12.

Wu, Z., et al. (2022). Accuracy of Forecasting Models in Population Dynamics: A Cross-Country Comparison. Journal of Population Studies, 16(1), p. 18.

Nguyen, T. & Pham, L. (2020). Using Time Series Analysis for Predicting Population Growth. Asian Journal of Statistics, 9(4), p. 6.

Santos, E., et al. (2022). Comparative Analysis of ARIMA and Exponential Smoothing for Demographic Forecasting in Emerging Economies. Global Demographics Review, 33(2), p. 20.

Kumar, S. & Patel, J. (2021). Time Series Methods in Population Forecasting: A Review. Journal of Statistics and Applications, 7(3), p. 7.

Rodriguez, C., & Hernandez, S. (2023). Population Prediction Models: A Case Study Using ARIMA and ETS Models. International Journal of Population Studies, 14(2), p. 9.

Hossain, M., et al. (2023). An Adaptive System for Predicting Migration Trends using ARIMA and Seasonal Exponential Smoothing. Population and Migration Studies, 20(3), p. 10.

Tran, L. & Nguyen, C. (2021). Forecasting Birth and Mortality Rates Using Advanced Time Series Techniques. Journal of Demographic Studies, 5(2), p. 8.

Smith, K., & Larson, R. (2022). Forecasting Economic Impacts on Demographics with Hybrid Models. Demography and Economics, 12(5), p. 11.

Huang, J., & Li, X. (2023). Improving Population Forecast Accuracy in Developing Nations Using ARIMA. Population Studies and Statistics, 19(4), p. 14.

Gomez, M., et al. (2022). Analysis of Seasonal Patterns in Population Dynamics Using ARIMA and ETS Models. Journal of Seasonal Forecasting, 11(6), p. 9.

Hamada, K., et al. (2020). Comparative Study on the Effectiveness of Time Series Models for Demographic Changes. International Journal of Forecasting, 36(2), p. 12.

Vander Plas, J. (2016). The Data Science Guide with Python: Essential Tools for Working with Data. O'Reilly Media, 578 p.

Stepanov A., Kornaga Y., Krylov E., Anikin V.. (2021). Peculiarities of indexing in databases and choosing the optimal implementation. Adaptive automatic control systems, 2(37), p. 110–117.

Lathkar M. (2023). High-Performance Web Apps with FastAPI. California: Apress Berkeley, 2023, 309 p.

Romanyuk O., Pavlov S. (2017). Fast ray casting of function-based surfaces, Przeglad elektroteczny, 5, p. 83-86.

Advancements in CNN Architectures for Computer Vision: A Comprehensive Review. (2023). This paper explores recent developments in CNN architectures and their applications in image classification, object detection, and segmentation. IEEE. https://ieeexplore.ieee.org/document/9654151.

A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects. (2022). - A thorough analysis of CNN advancements, covering foundational concepts and current innovations in architecture, along with applications in healthcare, security, and autonomous vehicles. IEEE Transactions on Neural Networks and Learning Systems, https://ieeexplore.ieee.org/document/9451544.

Uhryn D., etc. (2024). Risk management and marketing in the IT industry for the analysis of the exchange rate and forecasting of commodity money, Opt-el. Inf.-Energy Tech., Vol. 47, issue 1, p. 17–27.

##submission.downloads##

Переглядів анотації: 35

Опубліковано

2024-11-16

Як цитувати

[1]
Д. Угрин, Ю. Ушенко, О. Яцько, А. Довгунь, і Ю. Добровольський, «Інтелектуальні системи прогнозування демографічних змін та їх вплив на маркетингові стратегії в ІТ-індустрії», Опт-ел. інф-енерг. техн., вип. 48, вип. 2, с. 13–23, Лис 2024.

Номер

Розділ

Принципові концепції та структурування різних рівнів освіти з оптико-електронних інформаційно-енергетичних технологій

Метрики

Завантаження

Дані завантаження ще не доступні.

Статті цього автора (авторів), які найбільше читають

1 2 > >>