Accurately forecasting website traffic is a crucial task for businesses aiming to optimize resource allocation, reduce costs, enhance user experience, and strategically plan marketing campaigns. This thesis tackles the challenge of selecting the most effective time series forecasting model for predicting web traffic among Prophet, LSTM, and XGBoost, a task crucial for operational efficiency and user satisfaction due to the nonlinear and dynamic nature of web traffic data. Despite its importance, no comprehensive comparison of Prophet, LSTM, and XGBoost models for this purpose exists. To address this, we collected and preprocessed a dataset from Kaggle, implemented and fine-tuned Prophet, LSTM, and XGBoost models, and evaluated them based on RMSE, MAPE, and computational efficiency. Our results demonstrate that the LSTM model outperforms both Prophet and XGBoost in terms of prediction accuracy, particularly for short to medium-term forecasts. The XGBoost model showed improved performance with larger datasets, while the Prophet model excelled in computational efficiency and was ideal for quick iterations. These findings suggest that LSTM is best suited for complex, nonlinear patterns in web traffic data, XGBoost is effective for large-scale datasets, and Prophet is optimal for providing quick forecasts, even if they are slightly less accurate.

Att förutse webbplatstrafik är viktigt för företag som vill optimera resurser, minska kostnader, förbättra användarupplevelsen och planera marknadsföring. Denna examensarbete undersöker vilken tid serie modell, bland Prophet, LSTM och XGBoost, som bäst förutsäger webbtrafik. Trots vikten av detta finns ingen omfattande jämförelse av dessa modeller. Vi samlade in data från Kaggle, implementerade och justerade den för Prophet, LSTM och XGBoost, och utvärderade dem med hjälp av RMSE, MAPE och beräknings effektivitet. Våra resultat visar att LSTM-modellen get bättre resultat jämförense med både Prophet och XGBoost när det gäller prognosnoggrannhet, särskilt för kort- till medellångsiktiga prognoser. XGBoost-modellen visade förbättrad prestanda med större datamängder, medan Prophet-modellen utmärkte sig i beräkningsmässig effektivitet och var idealisk för snabba iterationer. Dessa resultat tyder på att LSTM är bäst lämpad för komplexa, icke-linjära mönster i webbtrafikdata, XGBoost är effektiv för storskaliga datamängder, och Prophet är optimal för snabba, om än mindre exakta, prognoser.