Celem tej pracy jest opisanie problemu automatycznej predykcji konfliktów międzynarodowych. Zaprezentowane są dwa różne podejścia z użyciem modeli sztucznych sieci neuronowych. Pierwsze podejście bazuje na poprzednich badaniach, gdzie zaproponowano ilościową prognozę konfliktów lądowych, opartą o dane z dziedziny nauk społecznych. W tej pracy, wprowadzono rozwiązanie z wykorzystaniem sztucznych sieci neuronowych, porównano wyniki oraz osiągnięto znaczący zysk w skuteczności predykcji. Drugie podejście to propozycja predykcji per dzień, bazującej na danych o wydarzeniach międzynarodowych. Wprowadzono pojęcie horyzontu uczenia i predykcji o zmiennej długości. Zaprezentowano autorskie metody kolekcji i preprocessingu danych. Uzyskane wyniki bazują na wydarzeniach związanych z ostatnimi konfliktami międzynarodowymi i sugerują możliwość przyszłej implementacji w aplikacji czasu rzeczywistego.

The aim of this work is to describe the problem of automated international conflict prediction. Two distinct approaches with artificial neural network models are presented. The first one is based on the previous research, where per year quantitative forecast of land conflict based on social sciences data is presented. In this paper, artificial neural network models are introduced. The results are compared and a significant improvement in accuracy is visible. The second approach proposes a per day prediction based on worldwide events data. Variable length of learning horizon and prediction horizon is used. Original methods of data collection and its preprocessing are presented. Obtained results are based on recent international conflict events and suggest the possibility of future implementation in real-time applications.