Estimating future streamflows is a key step in producing electricity for countries with hydroelectric plants. Accurate predictions are particularly important due to environmental and economic impact they lead. In order to analyze the forecasting capability of models regarding monthly seasonal streamflow series, we realized an extensive investigation considering: six versions of unorganized machines—extreme learning machines (ELM) with and without regularization coefficient (RC), and echo state network (ESN) using the reservoirs from Jaeger’s and Ozturk et al., with and without RC. Additionally, we addressed the ELM as the combiner of a neural-based ensemble, an investigation not yet accomplished in such context. A comparative analysis was performed utilizing two linear approaches (autoregressive model (AR) and autoregressive and moving average model (ARMA)), four artificial neural networks (multilayer perceptron, radial basis function, Elman network, and Jordan network), and four ensembles. The tests were conducted at five hydroelectric plants, using horizons of 1, 3, 6, and 12 steps ahead. The results indicated that the unorganized machines and the ELM ensembles performed better than the linear models in all simulations. Moreover, the errors showed that the unorganized machines and the ELM-based ensembles reached the best general performances.

A evolução de esquemas em projetos de persistência poliglota é descrita na literatura como uma lacuna de pesquisa, devido aos desafios frente aos diferentes modelos de dados que utiliza e a preocupação em manter a integridade e consistência dos dados após mudanças. Esse estudo apresenta uma revisão sistemática simplificada da literatura, destacando avanços tecnológicos para simplificar a evolução de esquemas em sistemas modernos e complexos, além de evidenciar a relevância científica da problemática abordada, confirmando a escassez de estudos específicos sobre evolução de esquemas em aplicações de persistência poliglota. Trabalhos que abordam diferentes arquiteturas de bancos de dados (híbrida, multimodelo, polystore) e modelos de dados (relacional, documento e grafo) são analisados. A análise comparativa sobre os estudos encontrados revela que as estratégias para a evolução de esquemas em arquiteturas poliglotas utilizam abstrações unificadas de modelos de dados, com operações embutidas em linguagens ou sistemas proprietários.