[论文解读] 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 4

一句话总结

本文提出了一种智能软件成本预测模型，将神经模糊系统与COCOMO框架相结合，以提升预测的准确性、可解释性和鲁棒性。通过融合专家知识与历史项目数据，该模型在行业数据验证下，相较于传统COCOMO模型实现了显著改进的预测性能。

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.

研究动机与目标

• 提高软件成本预测的准确性，以实现有效的项目管理。
• 解决传统COCOMO模型在处理不确定性和模糊输入方面的局限性。
• 结合专家知识与历史项目数据，以提升预测性能。
• 开发一种在真实环境中具备强可解释性和鲁棒性的模型。
• 利用真实行业项目数据验证模型的有效性。

提出的方法

• 该方法将神经模糊系统与COCOMO模型结合，以同时利用专家知识与历史数据。
• 使用模糊逻辑来建模软件项目中常见的模糊与不确定输入。
• 利用历史项目数据训练神经网络，以学习成本预测模式。
• 混合模型可根据输入数据动态调整参数，同时保持可解释性。
• 系统采用基于规则的模糊推理引擎，并通过反向传播进行学习优化。
• 最终模型输出考虑不确定性的推理结果，以预测软件成本。

实验结果

研究问题

• RQ1 与传统COCOMO模型相比，神经模糊系统是否能提升软件成本预测的准确性？
• RQ2 该混合模型在真实软件项目中处理模糊与不确定输入数据的能力如何？
• RQ3 结合专家知识与历史数据在多大程度上提升了预测性能？
• RQ4 所提出的模型是否在实现更高准确性的同时保持了可解释性？
• RQ5 在不同输入条件下，该模型的鲁棒性与COCOMO相比如何？

主要发现

• 与传统COCOMO模型相比，所提出的模型显著提升了预测准确性。
• 神经模糊技术的整合增强了模型对模糊与不确定输入的鲁棒性。
• 由于其基于规则的模糊推理结构，该模型保持了高度的可解释性。
• 通过历史项目数据的训练，系统展现出强大的学习能力。
• 利用真实行业数据的验证结果证实了该模型在性能上优于COCOMO。
• 该模型有效平衡了专家知识与数据驱动学习，实现了更优的成本估算。