PVPavlo Vitynskyi

Pavlo Vitynskyi

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Pavlo Vitynskyi has a total of 8 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Stacking-based GRNN-SGTM Ensemble Model for Prediction Tasks

    by Ivan Izonin, Roman Tkachenko, Pavlo Vitynskyi, Khrystyna Zub, Pavlo Tkachenko, Ivanna Dronyuk

    An effective solution of the prediction tasks requires the high accuracy of the result with minimal resource and time costs for the operation of the chosen algorithm. In cases when high accuracy of the received result has the first priority, it is expedient to use ensemble learning. This paper describes a prediction method using a new, stacking-based GRNN ensemble model. Each member of the developed ensemble processes its own dataset, where the vectors of the original set of data are randomly shifted relative to the current point. The authors chose SGTM neural-like structure as a meta-algorithm for the formation of the result of the ensemble. This choice is argued by the high accuracy and speed of its work. The results of a number of experimental studies on the optimal parameters selection of the developed ensemble are described. A comparison of the efficiency of its work with a number of known predictors was done. Prospects for further research are described.


  • Open Access

    Ансамбль нейромереж GRNN на підставі зміщених поверхонь відгуку для задач електронної комерції

    by P. B. Vitynskyi, R. O. Tkachenko, I. V. Izonin

    Розв'язок задач електронної комерції, які здебільшого характеризуються нелінійними поверхнями відгуку, є важливим завданням. Застосування сучасних засобів обчислювального інтелекту не завжди є доречним зважаючи на складність реалізації процедур навчання і налагодження. Неітеративні засоби та нейронні мережі без навчання також не забезпечують задовільної точності результату. З огляду на це у роботі описано новий ансамбль на підставі нейронних мереж узагальненої регресії. Основна ідея розробленого ансамблю полягає в лінеаризації поверхні відгуку, що задається даними наявної вибірки. Для цього отримана за допомогою мережі GRNN поверхня подається на вхід лінійної нейроподібної структури. Така комбінація забезпечує підвищення точності роботи ансамблю під час розв'язання поставленої задачі. Описаний ансамбль застосовано для розв'язання задачі прогнозування ціни на вживані автомобілі. Експериментальним способом підібрано оптимальні параметри його роботи. Шляхом порівняння із відомими методами встановлено найвищу точність його роботи. Результати експериментальних досліджень порівняно з теоретичними оцінками на підставі висновків теореми Кондорсе про журі присяжних. Розроблений ансамбль нейронних мереж узагальненої регресії на підставі зміщення поверхонь відгуку та з додатковим використанням нейроподібних структур Моделі послідовних геометричних перетворень варто застосовувати під час розв'язання різноманітних задач електронної комерції підвищеної точності.


  • Committee of the Combined RBF-SGTM Neural-Like Structures for Prediction Tasks

    by Roman Tkachenko, Pavlo Tkachenko, Ivan Izonin, Pavlo Vitynskyi, Natalia Kryvinska, Yurii Tsymbal


  • Open Access

    Нейроподібна структура для задач прогнозування в умовах коротких вибірок даних

    by P. B. Vitynskyi, R. O. Tkachenko

    Задача прогнозування є однією із пріоритетних задач бізнесу. З ростом інструментарію прогнозування, а також із бурхливим розвитком потужностей комп'ютерної техніки цій задачі приділяють дедалі більше уваги. На сьогодні більшість менеджерів провідних компаній мають змогу застосовувати інформаційні системи на основі складного математичного апарату для аналізу даних. Проте проблема розуміння алгоритмів, закладених в основі таких інформаційних систем, а також правильний підбір моделі прогнозування є важливою проблемою, оскільки некоректні прогнози можуть призвести до прийняття неправильного рішення. Проблема поглиблюється у разі опрацювання недостатньої кількості даних, що характерно для розв'язання низки задач. Зокрема, для розв'язання задач прогнозування попиту на новий товар чи нову послугу організації, зокрема в системах електронної комерції, необхідна достатня кількість даних для реалізації процедур навчання. Проте їх невелика кількість, під час застосування наявних методів, призводить до неточних, некоректних прогнозів. Саме тому виникає потребу удосконалення наявних та пошуку нових рішень розв'язання задачі прогнозування в умовах коротких вибірок даних. У роботі запропоновано новий, розроблений авторами, інструмент обчислювального інтелекту для ефективного розв'язання цієї задачі. Описано нейроподібну структуру для підвищення точності розв'язання задач прогнозування в умовах коротких вибірок даних. ЇЇ побудовано з використанням штучної нейронної мережі узагальненої регресії та гібридної нейроподібної структури Моделі Послідовних Геометричних Перетворень з RBF ядром. Подано алгоритмічну реалізацію побудови методу подвоєння входів, що знаходиться в основі роботи системи. Проаналізовано процедури підбору оптимальних параметрів для її роботи. Проведено експериментальне моделювання роботи нейроподібної структури для розв'язання задачі прогнозування. Отримані результати показали високу точність її роботи. Ефективність використання розробленої структури підтверджено порівнянням її роботи з наявними – багатошаровим перцептроном, штучною нейронною мережею узагальненої регресії та машиною опорних векторів. Розроблена нейроподібна структура демонструє точність на основі MAPE відповідно у більше ніж 3, 6 та 10 разів вищу порівняно із відомими методами. Розроблену структуру можна використовувати у багатьох сферах, зокрема електронній комерції, бізнес-аналітиці, тощо.

  • Hybridization of the SGTM Neural-Like Structure Through Inputs Polynomial Extension

    by Pavlo Vitynskyi, Roman Tkachenko, Ivan Izonin, Hakan Kutucu

    In this paper, a new approach for increasing the approximation accuracy with the use of computational intelligence tools is described. It is based on the compatible use of the neural-like structure of the Successive Geometric Transformations Model and the inputs polynomial extension. To implement such an extension, second degree Wiener polynomial is used. This combination improves the method accuracy for solving various tasks, such as classification and regression, including short-term and long-term prediction, dynamic pricing, as well as image recognition and image scaling, e-commerce. Due to the use of SGTM neural-like structure, the high speed of the system is maintained in both training and using modes. The simulation of the described approach is carried out on real data, the time results of the neural-like structure work and the accuracy results (MAPE, RMSE, R) are given. A comparison of the operation of the method with existing ones, such as Support vector regression, Classic linear SGTM neural-like structure, Linear regression (using Stochastic Gradient Descent), Random Forest, Multilayer Perceptron, AdaBoost are made. The advantages of the developed approach, in particular with regard to the highest accuracy among existing ones were experimentally established.