A produção do conhecimento científico sobre hierarchical time series forecasting: uma abordagem bibliométrica

Detalhes bibliográficos
Autor(a) principal: Gontijo, Tiago Silveira
Data de Publicação: 2024
Outros Autores: Nepomuceno, Ana Luiza Jentzsch, Paiva, Bruna Peralva Lima, Santis, Rodrigo Barbosa de, Groppo, Gustavo de Souza, Costa, Marcelo Azevedo
Tipo de documento: Artigo
Idioma: por
eng
spa
Título da fonte: Brazilian Journal of Production Engineering
Texto Completo: https://periodicos.ufes.br/bjpe/article/view/43222
Resumo: Os estudos sobre as séries temporais hierárquicas (hierarchical time series forecasting) têm despertado a atenção da literatura. Em geral, uma série temporal hierárquica consiste em um conjunto de informações coletadas no tempo, as quais estão organizadas através de agrupamentos como a localização geográfica, o tipo de produto e outros atributos, por exemplo. O presente artigo realizou de maneira pioneira uma pesquisa bibliométrica acerca de todas as publicações indexadas junto à base da Web of Science, sobre as séries temporais hierárquicas, durante o período de 1996 a 2020. Destaca-se que o crescimento anual das publicações sobre esse tema é igual a 13.45% e que os Estados Unidos da América se destacam como o maior polo produtor de conhecimentos sobre as séries hierárquicas, concentrando aproximadamente 30% das pesquisas. Por fim, verificou-se que métodos híbridos para a reconciliação ótima de previsões, baseadas em algoritmos de machine learning tem sido recorrentes em pesquisas atuais.
id UFES-11_188a7219a4c3294a3ee7b4a99ac4991d
oai_identifier_str oai:periodicos.ufes.br:article/43222
network_acronym_str UFES-11
network_name_str Brazilian Journal of Production Engineering
repository_id_str
spelling A produção do conhecimento científico sobre hierarchical time series forecasting: uma abordagem bibliométricaThe production of scientific knowledge about hierarchical time series forecasting: a bibliometric approachLa producción de conocimiento científico sobre la pronóstica de series tiempo jerarquicas: un enfoque bibliométricoModelos PreditivosBibliometriaséries temporais hierárquicasHierarchical Time SeriesPredictive ModelsBibliometrySerie temporal jerárquicaModelos PredictivosbibliometriaOs estudos sobre as séries temporais hierárquicas (hierarchical time series forecasting) têm despertado a atenção da literatura. Em geral, uma série temporal hierárquica consiste em um conjunto de informações coletadas no tempo, as quais estão organizadas através de agrupamentos como a localização geográfica, o tipo de produto e outros atributos, por exemplo. O presente artigo realizou de maneira pioneira uma pesquisa bibliométrica acerca de todas as publicações indexadas junto à base da Web of Science, sobre as séries temporais hierárquicas, durante o período de 1996 a 2020. Destaca-se que o crescimento anual das publicações sobre esse tema é igual a 13.45% e que os Estados Unidos da América se destacam como o maior polo produtor de conhecimentos sobre as séries hierárquicas, concentrando aproximadamente 30% das pesquisas. Por fim, verificou-se que métodos híbridos para a reconciliação ótima de previsões, baseadas em algoritmos de machine learning tem sido recorrentes em pesquisas atuais.Studies on hierarchical time series have attracted the attention of the literature. In general, a hierarchical time series consists of the set of information collected during a certain period, which is organized through groups such as geographic location, type of product and other attributes, for example. Due to the relevance of this theme, this article pioneered bibliometric research on all publications indexed by the Web of Science, on hierarchical time series, from 1996 to 2020. It is noteworthy that the annual growth of publications on this topic is equal to 13.45% and that the United States of America stands out as the largest producer of knowledge on hierarchical series, concentrating approximately 30% of research. Finally, it was found that hybrid methods for optimal reconciliation of predictions, based on machine learning algorithms have been recurrent in current research.Los estudios sobre series de tiempo jerárquicas han llamado la atención en la literatura. En general, una serie temporal jerárquica consiste en un conjunto de información recopilada a lo largo del tiempo, que se organiza mediante agrupaciones como ubicación geográfica, tipo de producto y otros atributos, por ejemplo. Este artículo realizó, de manera pionera, una investigación bibliométrica sobre todas las publicaciones indexadas en la base de datos Web of Science, en series temporales jerárquicas, durante el período de 1996 a 2020. Es de destacar que el crecimiento anual de las publicaciones sobre este tema es equivalente al 13,45% y que Estados Unidos de América se destaca como el mayor polo de producción de conocimiento sobre series jerárquicas, concentrando aproximadamente el 30% de la investigación. Finalmente, se encontró que los métodos híbridos para la conciliación óptima de pronósticos, basados ​​en algoritmos de aprendizaje automático, han sido recurrentes en las investigaciones actuales.Universidade Federal do Espírito Santo - UFES2024-02-09info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfaudio/mpegaudio/mpegimage/jpegimage/jpegimage/jpeghttps://periodicos.ufes.br/bjpe/article/view/4322210.47456/bjpe.v10i1.43222Brazilian Journal of Production Engineering; Vol. 10 No. 1 (2024): Regular Issue (January - March); 24-35Brazilian Journal of Production Engineering; Vol. 10 Núm. 1 (2024): Edición regular (enero - marzo) ; 24-35Brazilian Journal of Production Engineering; v. 10 n. 1 (2024): Número Regular (Janeiro - Março); 24-352447-558010.47456/bjpe.v10i1reponame:Brazilian Journal of Production Engineeringinstname:Universidade Federal do Espírito Santo (UFES)instacron:UFESporengspahttps://periodicos.ufes.br/bjpe/article/view/43222/29557https://periodicos.ufes.br/bjpe/article/view/43222/29559https://periodicos.ufes.br/bjpe/article/view/43222/29558https://periodicos.ufes.br/bjpe/article/view/43222/29538https://periodicos.ufes.br/bjpe/article/view/43222/29539https://periodicos.ufes.br/bjpe/article/view/43222/29540https://periodicos.ufes.br/bjpe/article/view/43222/29762https://periodicos.ufes.br/bjpe/article/view/43222/29766Copyright (c) 2024 Brazilian Journal of Production Engineeringhttps://creativecommons.org/licenses/by-nc-sa/4.0info:eu-repo/semantics/openAccessGontijo, Tiago SilveiraNepomuceno, Ana Luiza JentzschPaiva, Bruna Peralva LimaSantis, Rodrigo Barbosa deGroppo, Gustavo de SouzaCosta, Marcelo Azevedo2024-04-01T13:17:11Zoai:periodicos.ufes.br:article/43222Revistahttps://periodicos.ufes.br/bjpePUBhttps://periodicos.ufes.br/bjpe/oairodrigo.r.freitas@ufes.br2447-55802447-5580opendoar:2024-04-01T13:17:11Brazilian Journal of Production Engineering - Universidade Federal do Espírito Santo (UFES)false
dc.title.none.fl_str_mv A produção do conhecimento científico sobre hierarchical time series forecasting: uma abordagem bibliométrica
The production of scientific knowledge about hierarchical time series forecasting: a bibliometric approach
La producción de conocimiento científico sobre la pronóstica de series tiempo jerarquicas: un enfoque bibliométrico
title A produção do conhecimento científico sobre hierarchical time series forecasting: uma abordagem bibliométrica
spellingShingle A produção do conhecimento científico sobre hierarchical time series forecasting: uma abordagem bibliométrica
Gontijo, Tiago Silveira
Modelos Preditivos
Bibliometria
séries temporais hierárquicas
Hierarchical Time Series
Predictive Models
Bibliometry
Serie temporal jerárquica
Modelos Predictivos
bibliometria
title_short A produção do conhecimento científico sobre hierarchical time series forecasting: uma abordagem bibliométrica
title_full A produção do conhecimento científico sobre hierarchical time series forecasting: uma abordagem bibliométrica
title_fullStr A produção do conhecimento científico sobre hierarchical time series forecasting: uma abordagem bibliométrica
title_full_unstemmed A produção do conhecimento científico sobre hierarchical time series forecasting: uma abordagem bibliométrica
title_sort A produção do conhecimento científico sobre hierarchical time series forecasting: uma abordagem bibliométrica
author Gontijo, Tiago Silveira
author_facet Gontijo, Tiago Silveira
Nepomuceno, Ana Luiza Jentzsch
Paiva, Bruna Peralva Lima
Santis, Rodrigo Barbosa de
Groppo, Gustavo de Souza
Costa, Marcelo Azevedo
author_role author
author2 Nepomuceno, Ana Luiza Jentzsch
Paiva, Bruna Peralva Lima
Santis, Rodrigo Barbosa de
Groppo, Gustavo de Souza
Costa, Marcelo Azevedo
author2_role author
author
author
author
author
dc.contributor.author.fl_str_mv Gontijo, Tiago Silveira
Nepomuceno, Ana Luiza Jentzsch
Paiva, Bruna Peralva Lima
Santis, Rodrigo Barbosa de
Groppo, Gustavo de Souza
Costa, Marcelo Azevedo
dc.subject.por.fl_str_mv Modelos Preditivos
Bibliometria
séries temporais hierárquicas
Hierarchical Time Series
Predictive Models
Bibliometry
Serie temporal jerárquica
Modelos Predictivos
bibliometria
topic Modelos Preditivos
Bibliometria
séries temporais hierárquicas
Hierarchical Time Series
Predictive Models
Bibliometry
Serie temporal jerárquica
Modelos Predictivos
bibliometria
description Os estudos sobre as séries temporais hierárquicas (hierarchical time series forecasting) têm despertado a atenção da literatura. Em geral, uma série temporal hierárquica consiste em um conjunto de informações coletadas no tempo, as quais estão organizadas através de agrupamentos como a localização geográfica, o tipo de produto e outros atributos, por exemplo. O presente artigo realizou de maneira pioneira uma pesquisa bibliométrica acerca de todas as publicações indexadas junto à base da Web of Science, sobre as séries temporais hierárquicas, durante o período de 1996 a 2020. Destaca-se que o crescimento anual das publicações sobre esse tema é igual a 13.45% e que os Estados Unidos da América se destacam como o maior polo produtor de conhecimentos sobre as séries hierárquicas, concentrando aproximadamente 30% das pesquisas. Por fim, verificou-se que métodos híbridos para a reconciliação ótima de previsões, baseadas em algoritmos de machine learning tem sido recorrentes em pesquisas atuais.
publishDate 2024
dc.date.none.fl_str_mv 2024-02-09
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://periodicos.ufes.br/bjpe/article/view/43222
10.47456/bjpe.v10i1.43222
url https://periodicos.ufes.br/bjpe/article/view/43222
identifier_str_mv 10.47456/bjpe.v10i1.43222
dc.language.iso.fl_str_mv por
eng
spa
language por
eng
spa
dc.relation.none.fl_str_mv https://periodicos.ufes.br/bjpe/article/view/43222/29557
https://periodicos.ufes.br/bjpe/article/view/43222/29559
https://periodicos.ufes.br/bjpe/article/view/43222/29558
https://periodicos.ufes.br/bjpe/article/view/43222/29538
https://periodicos.ufes.br/bjpe/article/view/43222/29539
https://periodicos.ufes.br/bjpe/article/view/43222/29540
https://periodicos.ufes.br/bjpe/article/view/43222/29762
https://periodicos.ufes.br/bjpe/article/view/43222/29766
dc.rights.driver.fl_str_mv Copyright (c) 2024 Brazilian Journal of Production Engineering
https://creativecommons.org/licenses/by-nc-sa/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2024 Brazilian Journal of Production Engineering
https://creativecommons.org/licenses/by-nc-sa/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
audio/mpeg
audio/mpeg
image/jpeg
image/jpeg
image/jpeg
dc.publisher.none.fl_str_mv Universidade Federal do Espírito Santo - UFES
publisher.none.fl_str_mv Universidade Federal do Espírito Santo - UFES
dc.source.none.fl_str_mv Brazilian Journal of Production Engineering; Vol. 10 No. 1 (2024): Regular Issue (January - March); 24-35
Brazilian Journal of Production Engineering; Vol. 10 Núm. 1 (2024): Edición regular (enero - marzo) ; 24-35
Brazilian Journal of Production Engineering; v. 10 n. 1 (2024): Número Regular (Janeiro - Março); 24-35
2447-5580
10.47456/bjpe.v10i1
reponame:Brazilian Journal of Production Engineering
instname:Universidade Federal do Espírito Santo (UFES)
instacron:UFES
instname_str Universidade Federal do Espírito Santo (UFES)
instacron_str UFES
institution UFES
reponame_str Brazilian Journal of Production Engineering
collection Brazilian Journal of Production Engineering
repository.name.fl_str_mv Brazilian Journal of Production Engineering - Universidade Federal do Espírito Santo (UFES)
repository.mail.fl_str_mv rodrigo.r.freitas@ufes.br
_version_ 1797047318584754176