The production of scientific knowledge about hierarchical time series forecasting: a bibliometric approach

Authors

  • Tiago Silveira Gontijo Universidade Federal de São João del-Rei, Campus Centro Oeste (CCO) https://orcid.org/0000-0003-2636-899X
  • Ana Luiza Jentzsch Nepomuceno Universidade Federal de Minas Gerais, Departamento de Engenharia de Produção
  • Bruna Peralva Lima Paiva Universidade Federal de Minas Gerais, Departamento de Engenharia de Produção
  • Rodrigo Barbosa de Santis Universidade Federal de Minas Gerais, Departamento de Engenharia de Produção https://orcid.org/0000-0001-8454-4512
  • Gustavo de Souza Groppo Universidade Federal de Minas Gerais, Programa de Pós-graduação em Saneamento, Meio Ambiente e Recursos Hídricos https://orcid.org/0000-0003-1302-4987
  • Marcelo Azevedo Costa Universidade Federal de Minas Gerais, Programa de Pós-Graduação em Engenharia de Produção https://orcid.org/0000-0002-2330-5056

DOI:

https://doi.org/10.47456/bjpe.v10i1.43222

Keywords:

Hierarchical Time Series, Predictive Models, Bibliometry

Abstract

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.

Downloads

Download data is not yet available.

Author Biographies

Tiago Silveira Gontijo, Universidade Federal de São João del-Rei, Campus Centro Oeste (CCO)

Doutor em Engenharia de Produção pela UFMG na linha de pesquisa "Modelagem Estocástica e Simulação". Participou do Programa de Doutorado Acadêmico para Inovação (DAI) do CNPq. Mestre e Bacharel em Engenharia de Produção. Bacharel em Administração e em Economia. Possui 10 anos de experiência docente e em gestão educacional. Atualmente é professor adjunto na Universidade Federal de São João del-Rei (UFSJ). Desenvolveu atividades docentes nas instituições: UFOP, PUC-MG, UNIBH, UNA e Izabela Hendrix. Possui artigos publicados em periódicos diversos. Tem experiência em análise de dados e estatística aplicada, com ênfase em bioestatística, energias renováveis, revisão sistemática de literatura e séries temporais. Possui experiência na linguagem R. (Texto informado pelo autor)

Ana Luiza Jentzsch Nepomuceno, Universidade Federal de Minas Gerais, Departamento de Engenharia de Produção

Engenharia de Produção (UFMG)

Bruna Peralva Lima Paiva, Universidade Federal de Minas Gerais, Departamento de Engenharia de Produção

Engenharia de Produção (UFMG)

Rodrigo Barbosa de Santis, Universidade Federal de Minas Gerais, Departamento de Engenharia de Produção

Possui graduação em Engenharia de Produção pela Universidade Federal de Juiz de Fora (2015) com período sanduíche na University of Strathclyde (Reino Unido), mestrado em Modelagem Computacional pela Universidade Federal de Juiz de Fora (2018) na linha de Sistemas Computacionais Aplicados e doutorado em Engenharia de Produção pela Universidade Federal de Minas Gerais (2023) na linha de Modelagem Estocástica e Simulação. Tem experiência profissional em empresas na área de consultoria empresarial e de tecnologia, tendo trabalhado como consultor e cientista de dados na Uber (2022-2023), Falconi (2020-2022) e OM Partners (2017-2018). É certificado pela Amazon Web Services (AWS) e Google Cloud Platform (GCP) como especialista em Machine Learning Engineer. Atualmente é pesquisador voluntário no PGMC atuando em projetos na área de mineração de dados, reconhecimento de padrões e séries temporais. Já ministrou disciplinas de Ciências de Dados aplicados a sistemas de produção na PUC-Minas (2022) e foi professor substituto para o curso de Sistemas de Informação da IFMG - Ouro Branco (2020-2021). É revisor de periódicos internacionais, e autor do livro: Machine Learning e Python - Um Guia Prático a Ciência de Dados. Seus principais temas de interesse são: gestão de cadeia de suprimentos, inteligência computacional, aprendizado de máquina, previsão de séries temporais e detecção de anomalias. (Texto informado pelo autor)

Gustavo de Souza Groppo, Universidade Federal de Minas Gerais, Programa de Pós-graduação em Saneamento, Meio Ambiente e Recursos Hídricos

Possui graduação em Ciências Econômicas pela Universidade Federal de Viçosa (1997), especialização em Gestão Estratégica em Finanças pela Universidade Federal de Minas Gerais (2000), mestrado em Ciências (Economia Aplicada) pela Universidade de São Paulo (2004) e doutorado em Saneamento pela Universidade Federal de Minas Gerais (2019). Possui vivência em consultoria em gestão empresarial, planejamento estratégico, elaboração de cenários macroeconômicos, docência, além de desenvolver pesquisas sobre mercado financeiro e de forecasting empregando machine learning atuando principalmente nos seguintes temas: variáveis macroeconômicas, mercados acionários, Ibovespa, variáveis de política monetária, contratos futuros, co-integração, SVAR, causalidade de Granger, previsão de demanda. (Texto informado pelo autor)

Marcelo Azevedo Costa, Universidade Federal de Minas Gerais, Programa de Pós-Graduação em Engenharia de Produção

Professor Titular no Departamento de Engenharia de Produção da UFMG e membro do Programa de Pós-graduação em Engenharia de Produção (linha Modelagem Estocástica e Simulação) da mesma instituição. Possui graduação em Engenharia Elétrica pela Universidade Federal de Minas Gerais (1999), doutorado em Engenharia Elétrica pela Universidade Federal de Minas Gerais (2002) na área de Inteligência Computacional, pós-doutorado pela Harvard Medical School Harvard Pilgrim Health Care (2007) na área de Estatística Espacial e Vigilância Epidemiológica e pós-doutorado pela Linköping University (Suécia) na área de Análise Estatística, Diagnóstico e Detecção de Faltas em Ambientes Industriais. Atualmente é professor pesquisador do Laboratório de Apoio a Decisão e Confiabilidade (LADEC/UFMG) atuando em projetos na área de modelos de regulação do setor elétrico, professor colaborador do Laboratório de Gestão de Serviços Ambientais (LAGESA/UFMG) e membro do comitê gestor e subcoordenador do Centro de Sensoriamento Remoto (CSR/UFMG). Já ministrou mini-cursos e palestras em empresas como CEMIG, Eletropaulo, COPASA e Itaú. Possui publicações em importantes revistas internacionais como Socio-Economic Planning Sciences, IEEE Transactions on Power Delivery, Statistical Methods in Medical Research, PLOS One, dentre outras. É autor do livro: Tópicos em Ciência dos Dados - Introdução dos Modelos Paramétricos e suas aplicações utilizando o R. É revisor de periódicos internacionais e nacionais, além de possuir capítulos de livros publicados em língua inglesa. É coordenador de projeto de PD CEMIG e atua como pesquisador em projetos de PD. Orienta alunos de graduação, especialização, mestrado e doutorado nos temas: estatística aplicada, modelos estatísticos aplicados ao setor elétrico, análise de redes, estatística espacial, análise de séries temporais, teoria e aplicações de redes neurais artificiais. (Texto informado pelo autor)

References

Alkema, L., Chao, F., You, D., Pedersen, J., & Sawyer, C. C. (2014). National, regional, and global sex ratios of infant, child, and under-5 mortality and identification of countries with outlying ratios: a systematic assessment. The Lancet Global Health, 2(9), e521-e530. https://doi.org/10.1016/S2214-109X(14)70280-3 DOI: https://doi.org/10.1016/S2214-109X(14)70280-3

Aria, M. & Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of informetrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007 DOI: https://doi.org/10.1016/j.joi.2017.08.007

Athanasopoulos, G., Hyndman, R. J., Kourentzes, N., & Petropoulos, F. (2017). Forecasting with temporal hierarchies. European Journal of Operational Research, 262(1), 60-74. https://doi.org/10.1016/j.ejor.2017.02.046 DOI: https://doi.org/10.1016/j.ejor.2017.02.046

Athanasopoulos, G., Gamakumara, P., Panagiotelis, A., Hyndman, R. J., & Affan, M. (2020). Hierarchical forecasting. In Macroeconomic Forecasting in the Era of Big Data (pp. 689-719). Springer, Cham. https://doi.org/10.1007/978-3-030-31150-6_21 DOI: https://doi.org/10.1007/978-3-030-31150-6_21

Bearak, J., Popinchalk, A., Alkema, L., & Sedgh, G. (2018). Global, regional, and subregional trends in unintended pregnancy and its outcomes from 1990 to 2014: estimates from a Bayesian hierarchical model. The Lancet Global Health, 6(4), e380-e389. https://doi.org/10.1016/S2214-109X(18)30029-9 DOI: https://doi.org/10.1016/S2214-109X(18)30029-9

Berliner, L. M. (1996). Hierarchical Bayesian time series models. In Maximum entropy and Bayesian methods (pp. 15-22). Springer, Dordrecht. https://doi.org/10.1007/978-94-011-5430-7_3 DOI: https://doi.org/10.1007/978-94-011-5430-7_3

Bojer, C. & Meldgaard, J. P. (2020). The M5: A Preview from Prior Competitions. Foresight: The International Journal of Applied Forecasting, (58), 17-23.

Freitas, T., de. (2016). Modelos e aplicações para séries temporais hierárquicas: abordagens de reconciliação ótima e proporções de previsão. 91 p. Dissertação (Mestrado em Engenharia de Produção) - Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro.

Greeff, S. C., de, Dekkers, A. L., Teunis, P., Rahamat-Langendoen, J. C., Mooi, F. R., & Melker, H. E., de. (2009). Seasonal patterns in time series of pertussis. Epidemiology & Infection, 137(10), 1388-1395. https://doi.org/10.1017/S0950268809002489 DOI: https://doi.org/10.1017/S0950268809002489

Faloutsos, C., Gasthaus, J., Januschowski, T., & Wang, Y. (2019, June). Classical and contemporary approaches to big time series forecasting. In Proceedings of the 2019 International Conference on Management of Data (pp. 2042-2047). https://doi.org/10.1145/3299869.3314033 DOI: https://doi.org/10.1145/3299869.3314033

Fliedner, G. (1999). An investigation of aggregate variable time series forecast strategies with specific subaggregate time series statistical correlation. Computers & operations research, 26(10-11), 1133-1149. https://doi.org/10.1016/S0305-0548(99)00017-9 DOI: https://doi.org/10.1016/S0305-0548(99)00017-9

Fliedner, G. (2001). Hierarchical forecasting: issues and use guidelines. Industrial Management & Data Systems. https://doi.org/10.1108/02635570110365952 DOI: https://doi.org/10.1108/02635570110365952

Hyndman, R. J., Ahmed, R. A., Athanasopoulos, G., & Shang, H. L. (2011). Optimal combination forecasts for hierarchical time series. Computational statistics & data analysis, 55(9), 2579-2589. https://doi.org/10.1016/j.csda.2011.03.006 DOI: https://doi.org/10.1016/j.csda.2011.03.006

Hyndman, R. J. & Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.

Karmy, J. P. & Maldonado, S. (2019). Hierarchical time series forecasting via support vector regression in the European travel retail industry. Expert Systems with Applications, 137, 59-73. https://doi.org/10.1016/j.eswa.2019.06.060 DOI: https://doi.org/10.1016/j.eswa.2019.06.060

Lauretto, M., Nakano, F., Pereira, C. A. B., & Stern, J. M. (2008, November). Hierarchical Forecasting with Functional Trees. In AIP Conference Proceedings (Vol. 1073, No. 1, pp. 317-324). American Institute of Physics. https://doi.org/10.1063/1.3039015 DOI: https://doi.org/10.1063/1.3039015

Lauretto, M. S., Nakano, F., Pereira, C. A. B., & Stern, J. M. (2009). Hierarchical forecasting with polynomial nets. In New Advances in Intelligent Decision Technologies (pp. 305-315). Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-00909-9_30 DOI: https://doi.org/10.1007/978-3-642-00909-9_30

Ma, S., Fildes, R., & Huang, T. (2016). Demand forecasting with high dimensional data: The case of SKU retail sales forecasting with intra-and inter-category promotional information. European Journal of Operational Research, 249(1), 245-257. https://doi.org/10.1016/j.ejor.2015.08.029 DOI: https://doi.org/10.1016/j.ejor.2015.08.029

Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54-74. https://doi.org/10.1016/j.ijforecast.2019.04.014 DOI: https://doi.org/10.1016/j.ijforecast.2019.04.014

Nielsen, H. A. & Madsen, H. (2001). A generalization of some classical time series tools. Computational Statistics & Data Analysis, 37(1), 13-31. https://doi.org/10.1016/S0167-9473(00)00061-X DOI: https://doi.org/10.1016/S0167-9473(00)00061-X

Pinheiro, S. M. (2015). Previsão Hierárquica Aplicada às Políticas Públicas de Transporte Rodoviário. Monografia. 61 p. Trabalho de Conclusão de Curso (Especialização em Estatística) - Universidade Federal de Minas Gerais, Brasil.

Sedgh, G., Bearak, J., Singh, S., Bankole, A., Popinchalk, A., Ganatra, B., ... & Alkema, L. (2016). Abortion incidence between 1990 and 2014: global, regional, and subregional levels and trends. The Lancet, 388(10041), 258-267. https://doi.org/10.1016/S0140-6736(16)30380-4 DOI: https://doi.org/10.1016/S0140-6736(16)30380-4

Silveira G., T. & Azevedo C., M. (2020). Forecasting hierarchical time series in power generation. Energies, 13(14), 3722. https://doi.org/10.3390/en13143722 DOI: https://doi.org/10.3390/en13143722

Smyl, S. (2020). A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. International Journal of Forecasting, 36(1), 75-85. https://doi.org/10.1016/j.ijforecast.2019.03.017 DOI: https://doi.org/10.1016/j.ijforecast.2019.03.017

Sun, Y., Zhang, X., & Wang, S. (2020). A hierarchical forecasting model for China’s foreign trade. Journal of Systems Science and Complexity, 33(3), 743-759. https://doi.org/10.1007/s11424-020-8070-y DOI: https://doi.org/10.1007/s11424-020-8070-y

Van Eck, N. J. & Waltman, L. (2014). Visualizing bibliometric networks. In Measuring scholarly impact (pp. 285-320). Springer, Cham. https://doi.org/10.1007/978-3-319-10377-8_13 DOI: https://doi.org/10.1007/978-3-319-10377-8_13

Veríssimo, F. V. (2016). Modelo de Séries Temporais Hierárquicas de Previsão de Vendas Aplicado à Indústria do Calçado. 79 p. Dissertação (Mestrado em Modelação, Análise de Dados e Sistemas de Apoio à Decisão) - Faculdade de Economia do Porto, Portugal

Downloads

Published

2024-02-09

How to Cite

Gontijo, T. S., Nepomuceno, A. L. J., Paiva, B. P. L., Santis, R. B. de, Groppo, G. de S., & Costa, M. A. (2024). The production of scientific knowledge about hierarchical time series forecasting: a bibliometric approach. Brazilian Journal of Production Engineering, 10(1), 24–35. https://doi.org/10.47456/bjpe.v10i1.43222

Issue

Vol. 10 No. 1 (2024): Regular Issue (January - March)

Section

OPERATIONAL RESEARCH

License

Copyright (c) 2024 Brazilian Journal of Production Engineering

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Atribuição-NãoComercial-CompartilhaIgual
CC BY-NC-SA

This license lets others remix, adapt, and build upon your work non-commercially, as long as they credit you and license their new creations under the identical terms.

Most read articles by the same author(s)