UK: У цій статті досліджується застосування методів штучного інтелекту (ШІ) для прогнозування попиту в
логістичних системах. Розглянуто основні підходи, включаючи машинне навчання, нейронні мережі та аналіз
часових рядів. Проведено огляд актуальної літератури (2019–2025 рр.), який висвітлює сучасні тенденції та
виклики у цій галузі. Аналітична частина включає порівняння ефективності різних моделей ШІ на основі їх точності та обчислювальної складності. Розроблено експериментальну гібридну архітектуру LSTM-CNN з механізмом уваги й зовнішніми факторами (погода, календарні події), а також виконано порівняльний аналіз із базовими моделями ARIMA, Prophet та Gradient Boosting. Результати на відкритому наборі даних M5 Forecast та
виробничих даних холодового ланцюга показали зниження sMAPE на 18 % і MAE – на 22 % порівняно з класичними
підходами. Запропоновано методологію прогнозування попиту з використанням комбінації рекурентних нейронних мереж (RNN) та алгоритмів градієнтного бустингу. Отримані висновки підтверджують доцільність інтеграції ШІ-рішень у логістичні системи для оптимізації логістичних процесів та окреслюють напрями подальших
досліджень, зокрема застосування графових нейронних мереж і пояснюваного ШІ.
EN: This article explores the application of artificial intelligence (AI) methods for demand forecasting in logistics systems.
The purpose of this article is to develop a scientific and methodological approach to optimizing supply chain management
based on artificial intelligence models, which improves the efficiency of planning, forecasting, and coordinating logistics
processes. The methodological basis of the study is a scientific and methodological approach to optimizing supply chain
management, which combines systemic, process, and intellectual-analytical levels of analysis of logistics processes. The
systemic approach allows us to consider the supply chain as a complex of interrelated elements (manufacturers,
warehouses, transport hubs, distributors, consumers), whose activities are aimed at achieving a common goal –
increasing the efficiency and adaptability of the logistics system. The process approach involves structuring logistics
operations in the form of continuous processes of planning, forecasting, transportation, storage, and distribution. The
intellectual-analytical approach, which is central to this study, is implemented through the use of artificial intelligence
models to improve decision-making, increase the accuracy of forecasts, and minimize risks in supply chains. The study
Economic space № 206, 2025
11
examines the main approaches, including machine learning, neural networks, and time series analysis. A review of
current literature (2019–2025) is provided, highlighting contemporary trends and challenges in this field. The analytical
part includes a comparison of the effectiveness of different AI models based on their accuracy and computational
complexity. An experimental hybrid LSTM CNN architecture with an attention mechanism and external factors (weather,
calendar events) has been developed, and a comparative analysis with the basic ARIMA, Prophet, and Gradient Boosting
models has been performed. A methodology for demand forecasting using a combination of recurrent neural networks
(RNN) and gradient boosting algorithms has been proposed. The conclusions confirm the feasibility of integrating AI
solutions into logistics systems to optimize logistics processes and outline directions for further research, in particular
the application of graph neural networks and explainable AI.
