| dc.contributor.author | Лавренова, О. А. | ru |
| dc.contributor.author | Синкевич, К. В. | ru |
| dc.coverage.spatial | Минск | ru |
| dc.date.accessioned | 2025-08-19T06:49:01Z | |
| dc.date.available | 2025-08-19T06:49:01Z | |
| dc.date.issued | 2025 | |
| dc.identifier.citation | Лавренова, О. А. Использование нейросетей для прогнозирования производства = Application of neural networks for production forecasting / О. А. Лавренова, К. В. Синкевич // Инженерная экономика : сборник материалов 81-й студенческой научно-технической конференции, секция «Инженерная экономика», 07-08 мая 2025 г. / Белорусский национальный технический университет, Машиностроительный факультет ; редкол.: Т. А. Сахнович (пред. редкол.), С. И. Адаменкова, Л. В. Бутор [и др.] ; сост.: Т. А. Сахнович, О. А. Лавренова, Т. И. Серченя. – Минск : БНТУ, 2025. – С. 520-527. | ru |
| dc.identifier.uri | https://rep.bntu.by/handle/data/158500 | |
| dc.description.abstract | Современные промышленные предприятия имеют необходимость точного прогнозирования объемов производства в условиях меняющегося спроса, дефицита ресурсов и неопределенности рынка. В данной статье рассматривается применение искусственных нейронных сетей (ИНС) для решения этой задачи. Анализируются существующие методы прогнозирования, их преимущества, ограничения. Даны результаты исследований, демонстрирующие эффективность нейросетевых подходов в сравнении с традиционными методами. Определены перспективные направления дальнейших исследований и развития технологий в данной области. | ru |
| dc.language.iso | ru | ru |
| dc.publisher | БНТУ | ru |
| dc.title | Использование нейросетей для прогнозирования производства | ru |
| dc.title.alternative | Application of neural networks for production forecasting | ru |
| dc.type | Working Paper | ru |
| local.description.annotation | Modern industrial enterprises face the necessity of accurately forecasting production volumes under conditions of fluctuating demand, resource shortages, and market uncertainty. This article examines the application of artificial neural networks (ANNs) to address this challenge. Existing forecasting methods, along with their advantages and limitations, are analyzed. Research results demonstrating the effectiveness of neural network approaches compared to traditional methods are presented. Prospective directions for further research and technological development in this field are identified. | ru |
