当前位置: 首页 SCI杂志 SCIE杂志 工程技术 中科院1区 JCRQ1 杂志介绍(非官网)

高级工程信息学

英文名称:Advanced Engineering Informatics   国际简称:ADV ENG INFORM
《Advanced Engineering Informatics》杂志由Elsevier Ltd出版社出版,本刊创刊于2002年,发行周期Quarterly,每期杂志都汇聚了全球工程技术领域的最新研究成果,包括原创论文、综述文章、研究快报等多种形式,内容涵盖了工程技术的各个方面,为读者提供了全面而深入的学术视野,为工程技术-COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE事业的进步提供了有力的支撑。
中科院分区
工程技术
大类学科
1474-0346
ISSN
1873-5320
E-ISSN
预计审稿速度: 约4.5个月 约9.3周
杂志简介 期刊指数 WOS分区 中科院分区 CiteScore 学术指标 高引用文章

高级工程信息学杂志简介

出版商:Elsevier Ltd
出版语言:English
TOP期刊:
出版地区:ENGLAND
是否预警:

是否OA:未开放

出版周期:Quarterly
出版年份:2002
中文名称:高级工程信息学

高级工程信息学(国际简称ADV ENG INFORM,英文名称Advanced Engineering Informatics)是一本未开放获取(OA)国际期刊,自2002年创刊以来,始终站在工程技术研究的前沿。该期刊致力于发表在工程技术领域各个方面达到最高科学标准和具有重要性的研究成果。全面反映该学科的发展趋势,为工程技术事业的进步提供了有力的支撑。期刊严格遵循职业道德标准,对于任何形式的抄袭行为,无论是文字还是图形,一旦查实,均可能导致稿件被拒绝。

近年来,来自CHINA MAINLAND、USA、Singapore、Taiwan、Australia、England、Canada、GERMANY (FED REP GER)、South Korea、New Zealand等国家和地区的研究者在《Advanced Engineering Informatics》上发表了大量的高质量文章。该期刊内容丰富,包括原创研究、综述文章、专题观点、论文预览、专家意见等多种类型,旨在为全球该领域研究者提供广泛的学术交流平台和灵感来源。

在过去几年中,该期刊保持了稳定的发文量和综述量,具体数据如下:

2014年:发表文章40篇、2015年:发表文章82篇、2016年:发表文章52篇、2017年:发表文章75篇、2018年:发表文章99篇、2019年:发表文章115篇、2020年:发表文章145篇、2021年:发表文章209篇、2022年:发表文章322篇、2023年:发表文章411篇。这些数据反映了期刊在全球工程技术领域的影响力和活跃度,同时也展示了其作为学术界和工业界研究人员首选资源的地位。《Advanced Engineering Informatics》将继续致力于推动工程技术领域的知识传播和科学进步,为全球工程技术问题的解决贡献力量。

期刊指数

  • 影响因子:8
  • 文章自引率:0.1818...
  • Gold OA文章占比:11.12%
  • CiteScore:12.4
  • 年发文量:411
  • 开源占比:0.0769
  • SJR指数:1.731
  • H-index:68
  • SNIP指数:2.176
  • OA被引用占比:0.0364...
  • 出版国人文章占比:0.3

WOS期刊SCI分区(2023-2024年最新版)

按JIF指标学科分区 收录子集 分区 排名 百分位
学科:COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE SCIE Q1 22 / 197

89.1%

学科:ENGINEERING, MULTIDISCIPLINARY SCIE Q1 4 / 179

98%

按JCI指标学科分区 收录子集 分区 排名 百分位
学科:COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE SCIE Q1 17 / 198

91.67%

学科:ENGINEERING, MULTIDISCIPLINARY SCIE Q1 9 / 180

95.28%

中科院分区表

中科院SCI期刊分区 2023年12月升级版
Top期刊 综述期刊 大类学科 小类学科
工程技术 1区
COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE 计算机:人工智能 ENGINEERING, MULTIDISCIPLINARY 工程:综合
1区 1区

CiteScore(2024年最新版)

CiteScore 排名
CiteScore SJR SNIP CiteScore 排名
12.4 1.731 2.176
学科类别 分区 排名 百分位
大类:Computer Science 小类:Information Systems Q1 31 / 394

92%

大类:Computer Science 小类:Artificial Intelligence Q1 43 / 350

87%

学术指标分析

影响因子和CiteScore
自引率

影响因子:指某一期刊的文章在特定年份或时期被引用的频率,是衡量学术期刊影响力的一个重要指标。影响因子越高,代表着期刊的影响力越大 。

CiteScore:该值越高,代表该期刊的论文受到更多其他学者的引用,因此该期刊的影响力也越高。

自引率:是衡量期刊质量和影响力的重要指标之一。通过计算期刊被自身引用的次数与总被引次数的比例,可以反映期刊对于自身研究内容的重视程度以及内部引用的情况。

年发文量:是衡量期刊活跃度和研究产出能力的重要指标,年发文量较多的期刊可能拥有更广泛的读者群体和更高的学术声誉,从而吸引更多的优质稿件。

期刊互引关系
序号 引用他刊情况 引用次数
1 AUTOMAT CONSTR 335
2 ADV ENG INFORM 327
3 J COMPUT CIVIL ENG 105
4 INT J PROD RES 75
5 J CLEAN PROD 75
6 EUR J OPER RES 61
7 J CONSTR ENG M 58
8 ENERG BUILDINGS 54
9 EXPERT SYST APPL 52
10 INT J ADV MANUF TECH 43
序号 被他刊引用情况 引用次数
1 ADV ENG INFORM 327
2 AUTOMAT CONSTR 294
3 IEEE ACCESS 99
4 SUSTAINABILITY-BASEL 73
5 APPL SCI-BASEL 69
6 SENSORS-BASEL 55
7 J COMPUT CIVIL ENG 48
8 J CLEAN PROD 43
9 ADV CIV ENG 41
10 J CONSTR ENG M 36

高引用文章

  • A new wind power prediction method based on ridgelet transforms, hybrid feature selection and closed-loop forecasting引用次数:75
  • Automated detection of workers and heavy equipment on construction sites: A convolutional neural network approach引用次数:38
  • Short-term electricity demand forecasting with MARS, SVR and ARIMA models using aggregated demand data in Queensland, Australia引用次数:28
  • Deep-learning neural-network architectures and methods: Using component based models in building-design energy prediction引用次数:26
  • A deep learning-based method for detecting non-certified work on construction sites引用次数:25
  • Prediction of soil compression coefficient for urban housing project using novel integration machine learning approach of swarm intelligence and Multi-layer Perceptron Neural Network引用次数:25
  • Applications of 3D point cloud data in the construction industry: A fifteen-year review from 2004 to 2018引用次数:24
  • Prototyping virtual reality serious games for building earthquake preparedness: The Auckland City Hospital case study引用次数:22
  • Times-series data augmentation and deep learning for construction equipment activity recognition引用次数:22
  • A deep learning-based approach for mitigating falls from height with computer vision: Convolutional neural network引用次数:22
若用户需要出版服务,请联系出版商:ELSEVIER SCI LTD, THE BOULEVARD, LANGFORD LANE, KIDLINGTON, OXFORD, ENGLAND, OXON, OX5 1GB。