Вебзастосунок для прогнозування потреб військових на підставі аналізу та моніторингу їхнього гуманітарного забезпечення
Анотація
Повномасштабне вторгнення Російської Федерації в Україну істотно посилило проблему системної координації гуманітарного забезпечення військових підрозділів. Використання месенджерів і соціальних мереж як основних каналів комунікації унеможливлює централізоване нагромадження, структурування та аналіз інформації про потреби військових, а відсутність інструментів їх прогнозування змушує волонтерів реагувати на запити постфактум, а не планувати наперед відповідне забезпечення. Запропоновано метод короткотермінового прогнозування потреб військових підрозділів на основі простого ковзного середнього з вікном k = 3 місяці та описано його інтеграцію у повностековий вебзастосунок NeedsInsight, розроблений на основі Next.js 14, TypeScript, PostgreSQL і Drizzle ORM. Застосунок підтримує три ролі користувачів – представник військових, волонтер та адміністратор – з рольовим розмежуванням доступу до функцій системи. Виконано порівняльний аналіз обраного методу прогнозування з альтернативними підходами – експоненційним згладжуванням, моделями ARIMA та рекурентними нейронними мережами типу LSTM – за п'ятьма критеріями: мінімальна кількість спостережень, потреба у підборі параметрів, обчислювальна складність, залежність від сторонніх бібліотек та придатність для системи на початковому етапі експлуатації. Встановлено, що метод простого ковзного середнього є єдиним із розглянутих, що задовольняє всі п'ять критеріїв одночасно. Розроблено клієнтський інтерфейс візуалізації результатів прогнозу, що містить панель аналітичних метрик із кольоровим кодуванням тренду, лінійний графік з розмежуванням реальних і прогнозованих значень, картку прогнозованого значення з текстовою інтерпретацією результату та повідомлення про недостатність даних. Коректність реалізації вебзастосунку підтверджено прикладом прогнозування потреб військових на підставі аналізу та моніторингу їхнього гуманітарного забезпечення. Підсистема прогнозування покриває всі п'ять функціональних вимог групи REQ-4, що підтверджено функціональним тестуванням застосунку. Підсистему розгорнуто у складі застосунку NeedsInsight, архітектура якого дає змогу замінити SMA на дещо складніший метод без зміни інтерфейсу після нагромадження достатнього обсягу інформації.
Завантаження
Посилання
Ali, M. M., & Boylan, J. E. (2011). Feasibility principles for Downstream Demand Inference in supply chains. Journal of the Operational Research Society, 62(3), 474–482. https://doi.org/10.1057/jors.2010.82
Ali, M. M., & Boylan, J. E. (2012, January). On the effect of non-optimal forecasting methods on supply chain downstream demand. IMA Journal of Management Mathematics, 23(1), 81–98. https://doi.org/10.1093/imaman/dpr005
Ali, M. M., Babai, M. Z., Boylan, J. E., & Syntetos, A. A. (2015). On the use of Simple Moving Averages for supply chains where information is not shared. IFAC-PapersOnLine, 48(3), 1756–1761. https://doi.org/10.1016/j.ifacol.2015.06.340
Ali, M. M., Boylan, J. E., & Syntetos, A. A. (2012). Forecast errors and inventory performance under forecast information sharing. International Journal of Forecasting, 28(4), 830–841. https://doi.org/10.1016/j.ijforecast.2010.08.003
Anfuso, C., Bartolucci, A., Del-Real, C., & Kuipers, S. (2026). Cybersecurity threats, challenges, and strategies in humanitarian operations: A scoping review. International Journal of Disaster Risk Reduction, vol. 137, article ID 106082. https://doi.org/10.1016/j.ijdrr.2026.106082
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control. 5th ed. Published by John Wiley and Sons Inc., Hoboken, New Jersey, 712 p. https://doi.org/10.1111/jtsa.12194
Chen, S., Lin, R., & Zeng, W. (2022). Short-Term Load Forecasting Method Based on ARIMA and LSTM. 2022 IEEE 22nd International Conference on Communication Technology (ICCT), Nanjing, China, pp. 1913–1917. https://doi.org/10.1109/ICCT56141.2022.10073051
Come Back Alive: the organisations official website. URL: https://savelife.in.ua/ (Date of enquiry: 28.04.2026)
Gardner, E. S. (2006). Exponential smoothing: The state of the art – Part II. International Journal of Forecasting, 22(4), 637–666. https://doi.org/10.1016/j.ijforecast.2006.03.005
Grytsiuk, P. Y., Ivanyshyn, A. V., & Hrytsiuk, Y. I. (2023). Quality assurance of software products in accordance with IEEE 730-2014 standard within the project implementation lifecycle. Scientific Bulletin of UNFU, 33(2), 101-117. https://doi.org/10.36930/40330214
Helplist. A Ukrainian service that connects volunteers with those in need. URL: https://helplist.io (Date of enquiry: 28.04.2026)
Humaira, N. A., Zannatul, M., Sayem, A., & Syed, M. A. (2025). Humanitarian relief supply chain performance measurement: A framework and validation. Journal of Industrial Information Integration, vol. 47, article ID 100898. https://doi.org/10.1016/j.jii.2025.100898
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice. 3rd ed. Melbourne: OTexts. URL: https://otexts.com/fpp3/moving-averages.html (Date of enquiry: 02.05.2026)
Juan, L., Shengbing, R., Ping, J., & Mahammed, J. (2007). Use Case-Driven Role Based ACCESS Control Security Authorization. 2007 Chinese Control Conference, Zhangjiajie, China, pp. 392–394. https://doi.org/10.1109/CHICC.2006.4347306
Korbylo, R. Y., & Hrytsiuk, Y. I. (2025). System for assessing the psychological state of military personnel using natural language processing methods. Scientific Bulletin of UNFU, 35(6), 137–153. https://doi.org/10.36930/40350617
Kumar, A., Joshi, S., Sharma, M., & Vishvakarma, N. (2022). Digital humanitarianism and crisis management: an empirical study of antecedents and consequences. Journal of Humanitarian Logistics and Supply Chain Management, 12(4), 570–593. https://doi.org/10.1108/JHLSCM-02-2022-0020
Löffel, M., Schmidt, C. G., & Wagner, S. M. (2024). Supply chain risk management for humanitarian aid delivery: risk identification and contingency analysis. The International Journal of Logistics Management, 36(1), 225–258. https://doi.org/10.1108/IJLM-01-2024-0041
Lythreatis, S., Acikgoz, F., & Yassine, N. (2026). Artificial intelligence in humanitarian aid: A review and future research agenda. Technovation, vol. 151, article ID 103415. https://doi.org/10.1016/j.technovation.2025.103415
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLOS.One, 13(3), article ID e0194889. https://doi.org/10.1371/journal.pone.0194889
Marić, J., Galera-Zarco, C., & Opazo-Basáez, M. (2022). The emergent role of digital technologies in the context of humanitarian supply chains: a systematic literature review. Annals of Operations Research, 319(1), 1003–1044. URL: https://discovery.ucl.ac.uk/id/eprint/10137451/
Martin, R. C. (2017). Clean Architecture: A Craftsmans Guide to Software Structure and Design. Longman (Pearson Education), 368 p. [In Ukrainian]. URL: https://www.yakaboo.ua/ua/clean-architecture-a-craftsman-s-guide-to-software-structure-and-design.html?srsltid=AfmBOop-aDSr5nZ28aT-dhWy3FMdj_8sY9XMbYHHDJMFZo-KN3a9lQ62
Ministry of Defence: a platform has been launched to provide operational support to the Armed Forces of Ukraine. (2022). Cabinet of Ministers of Ukraine. URL: https://www.kmu.gov.ua/news/minoboroni-zapustili-platformu-dlya-operativnoyi-dopomogi-zsu (Date of enquiry: 27.04.2026)
Pradeep, K. T., Kapil, M. G., Jayshree, P., & Rina, S. O. (2024). Analysing barriers to humanitarian logistics for distributing relief aid in pre- and post-disaster situations. International Journal of Disaster Risk Reduction, vol. 104, article ID 104388. https://doi.org/10.1016/j.ijdrr.2024.104388
Rameshwar, D. (2026). The digitalization of humanitarian relief efforts: Implications for theory, Editor (s): Tsan-Ming Choi. Encyclopedia in Operations Management (First Edition), Elsevier, 390–402. https://doi.org/10.1016/B978-0-443-28993-4.00058-5
Rubel, Y. B., & Hrytsiuk, Y. I. (2026). Features of preparing a synthetic dataset for modelling the fire control process of artillery systems. Scientific Bulletin of UNFU, 36(2), 189–198. https://doi.org/10.36930/40360221
Rubel, Y. B., & Hrytsiuk, Y. I. (2026). Generation of a synthetic ballistic dataset based on numerical modelling and domain randomisation for an artillery fire control system. Scientific Notes of Taurida National V. I. Vernadsky University. Series: Technical Sciences, vol. 37 (76) № 2. Part 1, 278–288. https://doi.org/10.32782/2663-5941/2026.2.1/39
Rubel, Y., & Hrytsiuk, Y. (2026). Development of a hybrid artillery fire control system based on neural networks and uncertainty quantification methods. Technology Audit and Production Reserves, 2(2(88), 98–105. https://doi.org/10.15587/2706-5448.2026.357488
Sajjad, M., Anwar, H., & Shibli, M. A. (2015). Self adaptations in ACCESS control models in context of cloud computing. 2015 Conference on Information Assurance and Cyber Security (CIACS), Rawalpindi, Pakistan, pp. 69–74. https://doi.org/10.1109/CIACS.2015.7395569
State Digital Transformation in Ukraine: 2019–2024 Review. GGTC Kyiv, Vox Ukraine. 2025. URL: https://voxukraine.org/en/state-digital-transformation-in-ukraine-2019-2024-review (Date of enquiry: 10.05.2026)
Wan, H., & Zhou, Y. (2021). Neural Network Model Comparison and Analysis of Prediction Methods Using ARIMA and LSTM Models. 2021 IEEE International Conference on Advances in Electrical Engineering and Computer Applications (AEECA), Dalian, China, pp. 640–643. https://doi.org/10.1109/AEECA52519.2021.9574427
Wang, Y., Ma, Y., Xiang, K., Liu, Z., & Li, M. (2018). A Role-Based ACCESS Control System Using Attribute-Based Encryption. 2018 International Conference on Big Data and Artificial Intelligence (BDAI), Beijing, China, pp. 128–133. https://doi.org/10.1109/BDAI.2018.8547200
