Разработка и верификация итеративной методики краткосрочного прогнозирования трудоемкости ремонтов для адаптивного планирования технического обслуживания на ранних этапах цифровой трансформации, когда доступны лишь ограниченные данные начального периода эксплуатации (до 160 тыс. км). На массиве из 100 реальных заявок проведен сравнительный анализ методов машинного обучения: градиентного бустинга (XGBoost, LightGBM), рекуррентных нейронных сетей (LSTM, GRU) и полиномиальной регрессии 5-го порядка. Ключевым критерием эффективности выбрана ошибка прогноза на один плановый межсервисный интервал вперед (MAE_ext). Алгоритм XGBoost показал наилучший баланс между точностью интерполяции (R²=0.89) и устойчивостью к краткосрочной экстраполяции (MAE_ext=0.55), превзойдя полиномиальные модели. На его основе предложен методологический фреймворк, основанный на принципе «скользящего горизонта прогнозирования» и циклическом переобучении. Новизна работы заключается в адаптации парадигмы онлайн/инкрементального обучения для прикладной задачи управления сервисом парка техники и интерпретации прогнозных коэффициентов как метрик операционного риска. Практическая значимость – в предложении научно обоснованного, осторожного подхода к запуску предиктивного обслуживания, минимизирующего риски решений на основе некорректной экстраполяции.
Development and verification of an iterative methodology for short-term forecasting of repair labor intensity for adaptive maintenance planning at the early stages of digital transformation, when only limited initial operating-period data are available (up to 160 thousand km). A comparative analysis of machine learning methods was carried out on a dataset of 100 repair requests: gradient boosting (XGBoost, LightGBM), recurrent neural networks (LSTM, GRU), and fifth-degree polynomial regression. The key efficiency criterion was the forecast error for one scheduled service interval ahead (MAE_ext). The XGBoost algorithm demonstrated the best balance between interpolation accuracy (R²=0.89) and resistance to short-term extrapolation (MAE_ext=0.55), outperforming polynomial models. On this basis, a methodological framework was proposed that relies on the rolling forecasting horizon principle and cyclic retraining. The novelty of the study consists in adapting the online/incremental learning paradigm to the applied problem of fleet service management and in interpreting forecast coefficients as operational risk metrics. The practical significance lies in proposing a scientifically grounded and cautious approach to launching predictive maintenance, minimizing the risks of decisions based on incorrect extrapolation.