Розглянуто основні архітектури нейронних мереж, які застосовуються для прогнозування попиту на продукцію. Окрему увагу приділено рекурентним нейронним мережам (RNN), що демонструють високу ефективність у роботі з часовими рядами та виявленні залежностей між даними. Детально проаналізовано архітектуру LSTM (Long Short-Term Memory), яка є вдосконаленим варіантом RNN і дозволяє ефективно вирішувати проблему зникаючих градієнтів, що є характерною для традиційних RNN. Завдяки здатності зберігати інформацію на довші періоди LSTM є ідеальною для задач, які потребують аналізу довготривалих залежностей, таких як сезонні коливання попиту на продукцію. Проаналізовано застосування згорткових нейронних мереж (CNN), які показують добрі результати при обробці структурованих даних, таких як зображення або матриці. Завдяки своїй здатності ефективно виявляти просторові залежності CNN можуть бути корисними для прогнозування попиту, коли необхідно враховувати складні взаємозв’язки між різними ознаками даних, зокрема для оцінки попиту, що залежить від множинних факторів. Розглянуто архітектури Feedforward Neural Networks (FNN), Gated Recurrent Units (GRU), Attention-based models (ABM) та Autoencoders (AE), які також можуть бути застосовані для вирішення задач прогнозування попиту. Виконано порівняльний аналіз архітектур з точки зору точності прогнозу та здатності працювати з часовими рядами. Завдяки порівнянню швидкості навчання, часу обробки даних та надійності різних архітектур, з точки зору стабільності результатів та надійності прогнозів, визначено, що для прогнозування попиту на продукцію найефективнішими є мережі, які використовують архітектуру LSTM. Ці мережі забезпечують високу точність та надійність результатів, а також добре працюють з часовими рядами, що є важливим для прогнозування попиту в умовах динамічних змін.

The main neural network architectures applied for product demand forecasting are examined. Particular attention is given to Recurrent Neural Networks (RNN), which demonstrate high efficiency when working with time series and detecting dependencies within data. A detailed analysis is provided for the Long Short-Term Memory (LSTM) architecture, an advanced variant of RNN that effectively addresses the vanishing gradient problem, a common issue in traditional RNN. Due to its capability to retain information over extended periods, LSTM is ideal for tasks requiring the analysis of long-term dependencies, such as seasonal fluctuations in product demand. The application of Convolutional Neural Networks (CNN) is analyzed, which show strong performance when processing structured data, such as images or matrices. With their ability to effectively detect spatial dependencies, CNN can be useful for demand forecasting when complex relationships between various data features need to be considered, particularly for demand evaluations dependent on multiple factors. The architectures Feedforward Neural Networks (FNN), Gated Recurrent Units (GRU), Attention-based models (ABM) and Autoencoders (AE) are considered, which can also be applied to solve demand forecasting problems. A comparative analysis of the architectures is made in terms of forecast accuracy and ability to work with time series. By evaluating the training speed, data processing time, and reliability of these architectures in terms of the stability of results and forecast reliability, it has been determined that LSTM architectures are the most effective for product demand forecasting. These networks provide high accuracy and reliability of results and perform well with time series, which is crucial for forecasting demand under dynamic conditions.