利用时间序列与深度学习模型预测俄罗斯装备损失
机器学习
2025-09-10 v1 人工智能
摘要
本研究应用一系列预测技术，包括ARIMA、Prophet、长短期记忆网络（LSTM）、时序卷积网络（TCN）和XGBoost，对乌克兰战争期间俄罗斯装备损失进行建模与预测。基于WarSpotting提供的日度和月度开源情报（OSINT）数据，我们旨在评估损耗趋势、评估模型性能，并估算截至2025年底的未来损失模式。我们的研究表明，深度学习模型，特别是TCN和LSTM，能够产生稳定且一致的预测，尤其是在时间粒度较高的条件下。通过比较不同模型架构和输入结构，本研究强调了冲突建模中集成预测的重要性，以及公开可用的OSINT数据在量化材料退化随时间变化方面的价值。
引用
@article{arxiv.2509.07813,
title = {Forecasting Russian Equipment Losses Using Time Series and Deep Learning Models},
author = {Jonathan Teagan},
journal= {arXiv preprint arXiv:2509.07813},
year = {2025}
}