https://ir.lib.vntu.edu.ua//handle/123456789/428 2026-07-01T08:41:43Z https://ir.lib.vntu.edu.ua//handle/123456789/51875 Application of Artificial Intelligence Methods in Geoinformation Systems and Web Cartography Plakyda, О.; Ivanov, Yu.; Yukhimchuk, М.; Borysiuk, D.; Іванов, Ю. Ю.; Юхимчук М. М.; Борисюк, Д. В. 2026-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51813 AI-enhanced monitoring for law enforcement security systems Bisikalo, О.; Yukhymchuk, М.; Strembitskyi, Р.; Lesko, V.; Бісікало, О. В.; Юхимчук М. М.; Лесько, В. О. Law enforcement equipment failures during critical operations create immediate risks to officer safety and public security. Traditional monitoring relies on reactive maintenance - fixing problems after they occur. This paper presents a monitoring framework that combines Prometheus and Thanos infrastructure with three machine learning techniques: adaptive Isolation Forest for anomaly detection, LSTM networks with attention mechanisms for failure prediction, and reinforcement learning for parameter optimization. The system was validated through comprehensive cloud-based simulation modeling six months of operations across 1,847 synthetic monitoring points representing radio systems, surveillance cameras, and vehicle equipment. Simulation parameters were derived published equipment failure statistics and validated through limited pilot deployment (87 endpoints, 3 months) with one partner law enforcement agency. Results show F1-score improvement 0.72 to 0.89, detection time reduction 147 to 41 seconds (72% faster), and false positives dropping 12.3% to 3.8%. LSTM models predicted equipment failures 4-8 hours in advance with 87% average accuracy across five equipment categories. The framework scaled linearly 50 to 3,000+ endpoints with detection latency under 52ms. However, several challenges remain: simulation cannot capture all real-world complexity, integration requires custom interfaces for legacy systems, and operators need enhanced explainability features to trust AI recommendations. While primary findings are based on simulated data, results suggest promising directions for operational systems pending comprehensive real-world validation. 2025-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51103 Evaluating Fast Charging of Electric Vehicles Along Motorways Using Finite Multi-Server Queueing System Simulation Forkaliuk, M. S.; Franzl, G.; Bisikalo, О.; Форкалюк, М. С.; Францл, Г.; Бісікало, О. В. Швидкі зарядні станції постійного струму необхідні вздовж автомагістралей, щоб позбавити занепокоєння водіїв щодо поїздок на великі відстані на електромобілях з батареями, оптимізованими для ефективного середнього запасу ходу. Це важливо для подальшого сприяння переходу на електромобілі. У цьому дослідженні представлено підхід на основі моделі черг для моделювання та оцінки майданчиків швидкої зарядки, обладнаних багатьма зарядними пунктами постійного струму. Зарядні станції моделюються як багатосерверні системи масового обслуговування з обмеженим простором очікування, де сервери представляють пункти зарядки, а простір очікування-паркувальну зону, доступну для електромобілів, які очікують на обслуговування. Щоб оцінити також розподіл часу прибуття та обслуговування, який не є марковським, система масового обслуговування оцінюється за допомогою імітаційного моделювання на основі подій. Прикладні результати та порівняння з аналогічними інструментами моделювання завершують презентацію підходу до моделювання. З одного боку, cимуляція демонструє середній потенційний час очікування електромобіля до початку заряджання через тимчасову зайнятість усіх зарядних точок. З іншого боку, інструмент аналізує сукупний попит на електроенергію усіх зарядних станцій. На основі останнього, механізм розумної зарядки динамічно зменшує індивідуально доступну потужність зарядки, щоб вона не перевищувала ліміт доступу до електромережі. Цей інтелектуальний механізм призводить до зниження продуктивності зарядки при високому навантаженні трафіку електромобілів, коли всі зарядні точки зайняті. У поєднанні з потребою в енергії, що залежить від стану заряду, інструмент надає користувачеві критично важливу інформацію про реалістично очікуваний час очікування та зменшення обсягів заряджання, коли багато електромобілів заряджаються паралельно. Експерименти з різною кількістю точок зарядки та обмеженнями потужності мережі допомагають користувачеві інструменту та проектувальнику системи визначити розміри зарядних майданчиків уздовж автомагістралей, які зможуть ефективно впоратися з майбутнім транспортним навантаженням.; Fast DC charging sites are required along motorways to abrogate the car drivers` anxiety of long-distance travels when driving electric vehicles (EVs) with batteries optimised for efficient average reach. This is important to facilitate the mobility transition to EVs. In this study, a queueing model-based approach to simulate and evaluate fast charging sites equipped with many DC charging points is presented. Charging sites are modelled as multi-server queueing systems with finite waiting space, the servers represent the charging points and the waiting space the parking area available for EVs waiting for service. To evaluate also arrival and service time distributions that are non-Markovian, the queueing system is evaluated using event based simulation. Exemplary results and a comparison with analogous simulation tools complete the presentation of the simulation approach. On one hand, the simulation reveals the mean potential waiting time per EV before charging can start due to the temporary occupation of all charging points. On the other hand, the tool analyses the aggregated power demand of all charging points. Based on latter, the smart charging mechanism reduces dynamically the individually available charging power if needed to stay below the power grid access limit. This smart charging mechanism causes a small decline in the charging performance at high EV traffic loads when all charging points are maximally occupied. In combination with the state-of-charge depending power demand, the tool provides the user critical insights into realistically expectable waiting times and decreased charging volumes when many EVs charge in parallel. Experimenting with different number of charging points and grid power limitations helps the tool-user, the systems designer, to dimension charging sites along motorways that can efficiently handle future traffic loads. 2024-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51099 Аналіз та імплементація ідеї навчання великих мовних моделей за аналогією з дитячим когнітивним розвитком Дадиверін, В. В.; Бісікало, О. В.; Dadyverin, V. V.; Bisikalo, О. V. Дослідження присвячено проблематиці недостатньої ефективності великих мовних моделей у питаннях розв’язання математичних завдань, послідовного багатокрокового аналізу та міркування щодо можливих варіантів вирішення. У статті розкрито недосконалість сучасних LLM у питаннях послідовного мислення, попри їхню здатність до генерації природного та осмисленого тексту, вони досі залишаються суттєво обмеженими при вирішенні задач, які потребують логічного міркування або обґрунтування. З’ясовано, що такі обмеження нерідко є наслідком структури навчального процесу мовної моделі, бо той не має нічого спільного з процесами, які відбуваються під час формування когнітивних та ментальних моделей людини. У цій роботі розглянуто підхід навчання за подібністю до когнітивного розвитку людини, який базується на поєднанні наступних концепцій: Curriculum learning – навчання з поетапним збільшенням складності завдань, Scaffolding – сегментоване навчання зі зменшенням рівня опіки після засвоєння певного рівня знань, та прогресивне зміцнення ментальних структур за рахунок створення узагальнених патернів для розв’язання задач. Основну увагу зосереджено на імплементації навчального процесу з поетапним ускладненням вхідного матеріалу – від базових арифметичних рівнянь до великих складених логіко-словесних задач. Ефективність даного підходу оцінено на прикладі моделей Phi-2 та Mistral 7B, навчених в двох режимах: стандартне випадкове навчання та запропоноване контрольоване навчання. Результатами дослідження доведено, що запропонований підхід когнітивного навчання забезпечує кращі результати під час вирішення базових задач та складних багатокомпонентних завдань, які потребують проміжних узагальнених знань. Аналізом подібних досліджень підтверджено перспективність розвитку навчання з імітацією когнітивного розвитку для підвищення ефективності обробки вхідних даних за умов обмеженої кількості навчальної інформації.; The study is devoted to the problem of not enough efficiency of large language models in solving mathematical problems, sequential multi-step analysis and reasoning about possible solutions. The article reveals the imperfection of modern LLMs in the issues of sequential thinking, despite their ability to generate natural and meaningful text, they still remain significantly limited in solving problems that require logical reasoning or justification. It was found that such limitations are often a consequence of the structure of the learning process of the language model, because it has nothing to do with the processes that occur during the formation of cognitive and mental models of a person. This work considers the approach of learning by similarity to human cognitive development, which is based on a combination of the following concepts: Curriculum learning – learning with a gradual increase in the complexity of tasks, Scaffolding – segmented learning with a decrease in the level of care after mastering a certain level of knowledge, and progressive strengthening of mental structures by creating generalized patterns for solving problems. The main attention is focused on the implementation of the learning process with a gradual complication of the input material – from basic arithmetic equations to large complex logical-verbal problems. The effectiveness of this approach is evaluated on the example of Phi-2 and Mistral 7B models, trained in two modes: standard random learning and the proposed supervised learning. The results of the study prove that the proposed cognitive learning approach provides better results when solving basic tasks and complex multi-component tasks that require intermediate generalized knowledge. The analysis of similar studies confirms the promising development of training with imitation of cognitive development to increase the efficiency of processing input data under conditions of a limited amount of training information. 2025-01-01T00:00:00Z