[論文レビュー] An Intelligent Approach to Software Cost Prediction

Xishi Huang, Luiz Fernando Capretz+2 more|arXiv (Cornell University)|Jul 31, 2015

Software Engineering Research参考文献 10被引用数 4

ひとこと要約

本論文は、神経ファジィシステムとCOCOMOフレームワークを統合することで、精度、解釈可能性、耐性の向上を図るインテリジェントなソフトウェアコスト予測モデルを提案する。専門家知識と歴史的プロジェクトデータを組み合わせることで、産業データを用いた検証において、従来のCOCOMOモデルよりも顕著に優れた予測性能を達成する。

ABSTRACT

Good software cost prediction is important for effective project management such as budgeting, project planning and control. In this paper, we present an intelligent approach to software cost prediction. By integrating the neuro-fuzzy technique with the well-accepted COCOMO model, our approach can make the best use of both expert knowledge and historical project data. Its major advantages include learning ability, good interpretability, and robustness to imprecise and uncertain inputs. The validation using industry project data shows that the model greatly improves prediction accuracy in comparison with the COCOMO model.

研究の動機と目的

• 効果的なプロジェクト管理のためのソフトウェアコスト予測精度の向上。
• 不確実性や曖昧な入力を扱う能力に制限を受ける従来のCOCOMOモデルの課題に対処すること。
• 専門家知識と歴史的プロジェクトデータを統合して、より優れた予測性能を実現すること。
• 現実世界の状況においても解釈可能性と耐性に優れたモデルの開発。
• 実産業プロジェクトデータを用いた、モデルの有効性の検証。

提案手法

• 神経ファジィシステムとCOCOMOモデルを統合することで、専門家知識と歴史的データの両方の利点を活かす。
• ソフトウェアプロジェクトで一般的な曖昧で不確実な入力をモデル化するためにファジィ論理を用いる。
• ニューラルネットワークを歴史的プロジェクトデータで学習させ、コスト予測のパターンを習得する。
• ハイブリッドモデルは、入力データに応じてパラメータを動的に調整しつつ、解釈可能性を保持する。
• バックプロパゲーションで学習を強化したルールベースのファジィ推論エンジンを採用する。
• 最終的なモデルは、不確実性を考慮した推論により、予測されたソフトウェアコストを出力する。

実験結果

リサーチクエスチョン

• RQ1 神経ファジィシステムは、従来のCOCOMOモデルと比較して、ソフトウェアコスト予測の精度を向上させることができるか？
• RQ2 ハイブリッドモデルは、現実世界のソフトウェアプロジェクトにおける曖昧で不確実な入力データをどれほど効果的に処理できるか？
• RQ3 専門家知識と歴史的データを統合することで、予測性能がどの程度向上するか？
• RQ4 より高い精度を達成しながらも、本モデルは解釈可能性を維持できるか？
• RQ5 入力条件が変化する条件下でも、COCOMOと比較して本モデルの耐性はどの程度高いか？

主な発見

• 提案されたモデルは、従来のCOCOMOモデルと比較して、顕著に高い予測精度を達成した。
• 神経ファジィ技術の統合により、曖昧で不確実な入力への耐性が向上した。
• ルールベースのファジィ推論構造のおかげで、高い解釈可能性を維持した。
• 歴史的プロジェクトデータの学習を通じて、強力な学習能力を示した。
• 実産業データを用いた検証により、COCOMOよりも優れた性能が確認された。
• 専門家知識とデータ駆動型学習の両方を効果的にバランスさせることで、より良いコスト推定が可能になった。