ІНТЕЛЕКТУАЛЬНА СИСТЕМА УПРАВЛІННЯ ОФІСНИМ ПРОСТОРОМ НА ОСНОВІ АНАЛІЗУ ПОВЕДІНКИ КОРИСТУВАЧІВ

Анотація

У статті розглядаються сучасні підходи застосування штучного інтелекту для аналізу поведінки
користувачів у системах управління офісним простором. Особлива увага приділяється методам штучного
інтелекту прогнозування патернів бронювання робочих місць, аналізу частоти та переваг користувачів щодо
конкретних робочих зон, а також автоматичному сповіщенню про повторне бронювання одного й того самого
місця. Розглянуто практичні приклади сучасних рішень на ринку, таких як Spacewell, Smartway2 та ti&m Places,
що демонструють інтеграцію алгоритмів машинного навчання для оптимізації використання офісного простору,
підвищення ефективності бронювань та зниження конфліктів між користувачами. Окрема увага приділяється
питанням приватності та етичних аспектів збору даних, а також методам забезпечення конфіденційності
користувачів при використанні сенсорних технологій та систем моніторингу заповнюваності робочих зон.
Розглядаються підходи до збирання та обробки даних про присутність співробітників у офісному середовищі з
урахуванням вимог безпеки та прозорості використання інформації. У роботі також описано поведінкові моделі
та алгоритми побудови користувацько-орієнтованих прогнозних моделей, зокрема підхід BehavDT, який дозволяє
враховувати історичні дані бронювання, часові закономірності використання робочих місць та індивідуальні
особливості поведінки користувачів. Використання таких моделей дає змогу формувати рекомендації щодо
вибору оптимального робочого місця, підвищувати ефективність використання офісної інфраструктури та
зменшувати перевантаження окремих робочих зон. На основі результатів теоретичного аналізу та формалізованої
моделі прогнозування заповнюваності офісного простору було розроблено архітектуру програмного забезпечення
інтелектуальної системи управління бронюванням робочих місць. Архітектурне рішення базується на
мікросервісному підході, що забезпечує модульність, горизонтальну масштабованість та можливість незалежного
оновлення окремих компонентів системи без порушення функціонування інших. Результати тестування та
моделювання підтверджують працездатність запропонованої архітектури та алгоритмів для систем управління
офісним простором середнього масштабу та визначають напрямки оптимізації для масштабування на рівень
великих організацій.
Ключові слова: штучний інтелект, управління офісним простором, аналіз поведінки користувачів, системи
бронювання робочих місць, автоматичне сповіщення, прогнозування патернів, поведінкові моделі, інтелектуальні
системи, оптимізація використання простору, конфіденційність даних.

Перелік посилань
1. Вербівська Л. В. Штучний інтелект в управлінні підприємством: переваги та виклики. Problems of
Modern Transformations. Series: Economics and Management, (10). 2023. DOI: https://doi.org/10.54929/2786-5738-
2023-10-04-06.
2. Timothy Callemein, Kristof Van Beeck, Toon Goedemé. Anyone here? Smart embedded low-resolution
omnidirectional video sensor to measure room occupancy. Computer Vision and Pattern Recognition. 2020. DOI:
https://doi.org/10.48550/arXiv.2007.04934.
3. Iqbal H. Sarker, Alan Colman, Jun Han, Asif Irshad Khan, Yoosef B. Abushark, Khaled Salah. BehavDT: A
Behavioral Decision Tree Learning to Build User-Centric Context-Aware Predictive Model. Machine Learning. 2019.
DOI: https://doi.org/10.48550/arXiv.2001.00621.
4. Sebastian Smeenk. Smart Offices: The Future of Workspaces in a Digital Economy. EDGE Workspaces. 2024.
URL: https://www.edgeworkspaces.com/smart-offices-the-future-of-workspace.
5. Office Space Reservation System – Workplace. Spacewell. 2025. URL: https://spacewell.com/workplacemanagement-software/office-space-reservation-system.
6. Violeta Motuzienė, Jonas Bielskus, Vilūnė Lapinskienė and Genrika Rynkun. Office building’s occupancy
prediction using extreme learning machine model with different optimization algorithms. Environmental and Climate
Technologies. 2021. Volume 25. Issue 1. Р. 525 - 536. DOI: https://doi.org/10.2478/rtuect-2021-0038.
7. Zhou X., Cao J., Qu S., Chen X., Zhang H. Occupancy prediction using deep learning approaches across
multiple space types: A minimum sensing strategy. Building and Environment. 2022. Volume 226. 109689. DOI:
https://doi.org/10.1016/j.buildenv.2022.109689.
8. Wang W., Chen J., Hong T. Occupancy prediction through machine learning and data fusion of environmental
sensing and Wi‑Fi sensing in buildings. Automation in Construction. 2018. Volume 94. Р. 233-243. DOI:
https://doi.org/10.1016/j.autcon.2018.07.007.
9. Tao Li, Xiangyu Liu, Guannan Li, Xing Wang, Jiangqiaoyu Ma, Chengliang Xu, Qianjun Mao. A systematic
review and comprehensive analysis of building occupancy prediction. Renewable and Sustainable Energy Reviews. 2024.
Volume 193. 114284. DOI: https://doi.org/10.1016/j.rser.2024.114284.
10. The Benefit of AI in Desk Booking. ti&m Places. 2024. URL: https://www.ti8m.com/en/blog/Der-Nutzenvon-KI-bei-der-Arbeitsplatzbuchung-Places.
11. Як сучасний офіс підвищує продуктивність та ефективність команди. AIN.UA. 2025. URL:
https://ain.ua/2025/04/04/yak-suchasniy-ofis-pidvishhuje-produktivnist-komandy-forum-group.
12. Замрій І.В., Собчук А.В., Лаптєв С.О., Лаптєва Т.О., Копитко С.Б. Алгоритм контролю та
прогнозування функціональної стійкості складних інформаційно-технічних систем. Телекомунікаційні та
інформаційні технології, 2022, №1 (74). С. 4-14. DOI: http://doi.org/10.31673/2412-4338.2022.010414.
13. Irfanullah Khan, Ouarda Zedadra, Antonio Guerrieri, Giandomenico Spezzano. Occupancy Prediction in IoTEnabled Smart Buildings: Technologies, Methods, and Future Directions. Sensors, 2024. 24(11), 3276. DOI:
https://doi.org/10.3390/s24113276.
14. Aya Nabil Sayed, Sakib Mahmud, Faycal Bensaali, Muhammad E. H. Chowdhury, Yassine Himeur.
Optimizing energy efficiency through precise occupancy detection: A tailored CNN architecture for smart buildings and
beyond. Neural Computing and Applications, 2025. Volume 37. Р. 16487–16503. DOI: https://doi.org/10.1007/s00521-
025-11348-6.
15. Chamari L., Petrova E., Pauwels P. An End-to-End Implementation of a Service-Oriented Architecture for
Data-Driven Smart Buildings. IEEE Access, vol. 11, pp. 117261-117281, 2023. DOI: https://doi.org/10.1109/ ACCESS.
2023.3325767.
16. Freire G., Paucar H., Estrella Jú. A distributed software architecture based on reactive microservices for the
Smart Building context. LADC '23: Proceedings of the 12th Latin-American Symposium on Dependable and Secure
Computing. 2023. P. 168 – 169. DOI: https://doi.org/10.1145/3615366.3622790.
17. Domenico Santoro, Tiziana Ciano, Massimiliano Ferrara. A comparison between machine and deep learning
models on high stationarity data. Scientific Reports. 2024. 14, Article number: 19409. DOI: https://doi.org/10.1038/
s41598-024-70341-6.