इस अध्ययन में यूक्रेनी युद्ध के दौरान रूसी उपकरणों के नुकसान का पूर्वानुमान लगाने के लिए ARIMA, प्रोफेट, LSTM, TCN और XGBoost सहित विभिन्न पूर्वानुमान तकनीकों का प्रयोग किया गया। वॉरस्पॉटिंग से प्राप्त दैनिक और मासिक ओपन सोर्स इंटेलिजेंस (OSINT) डेटा का उपयोग करते हुए, हमारा उद्देश्य नुकसान में कमी के रुझानों का आकलन करना, मॉडल के प्रदर्शन को सत्यापित करना और 2025 के अंत तक भविष्य के नुकसान के पैटर्न का अनुमान लगाना था। डीप लर्निंग मॉडल, विशेष रूप से TCN और LSTM, उच्च टेम्पोरल ग्रैन्युलैरिटी पर स्थिर और सुसंगत पूर्वानुमान देने में सक्षम पाए गए। विभिन्न मॉडल आर्किटेक्चर और इनपुट संरचनाओं के तुलनात्मक विश्लेषण ने संघर्ष मॉडलिंग में एनसेंबल पूर्वानुमान के महत्व और समय के साथ भौतिक नुकसानों को मापने में सार्वजनिक रूप से उपलब्ध OSINT डेटा के महत्व पर प्रकाश डाला।
