[论文解读] Use Case Point Approach Based Software Effort Estimation using Various Support Vector Regression Kernel Methods

Shashank Mouli Satapathy, Santanu Kumar Rath|arXiv (Cornell University)|Jan 14, 2014

Software Engineering Research参考文献 9被引用 12

一句话总结

本论文通过将用例点（UCP）方法与多种支持向量回归（SVR）核方法——线性、多项式、RBF和Sigmoid——相结合，提出了一种改进的软件工作量估算模型，以提高预测准确性。基于RBF核的SVR模型实现了最低的MMRE（0.3857）和最高的预测准确率（98.0188%），优于其他核函数及文献中现有方法。

ABSTRACT

The job of software effort estimation is a critical one in the early stages of the software development life cycle when the details of requirements are usually not clearly identified. Various optimization techniques help in improving the accuracy of effort estimation. The Support Vector Regression (SVR) is one of several different soft-computing techniques that help in getting optimal estimated values. The idea of SVR is based upon the computation of a linear regression function in a high dimensional feature space where the input data are mapped via a nonlinear function. Further, the SVR kernel methods can be applied in transforming the input data and then based on these transformations, an optimal boundary between the possible outputs can be obtained. The main objective of the research work carried out in this paper is to estimate the software effort using use case point approach. The use case point approach relies on the use case diagram to estimate the size and effort of software projects. Then, an attempt has been made to optimize the results obtained from use case point analysis using various SVR kernel methods to achieve better prediction accuracy.

研究动机与目标

• 为解决传统软件工作量估算模型（如COCOMO和功能点分析）依赖过程式范式且在早期开发阶段准确率较低的局限性。
• 克服UCP模型假设软件规模与工作量之间存在线性关系的局限，该假设会降低估算准确性。
• 通过应用多种SVR核方法优化基于UCP的工作量估算，以提升预测准确性。
• 比较不同SVR核函数（线性、多项式、RBF、Sigmoid）在使用UCP度量估算软件工作量时的性能表现。
• 证明基于机器学习的SVR模型在早期阶段软件工作量估算中可显著优于传统回归与启发式模型。

提出的方法

• 采用UCP方法基于用例和参与者的数量进行软件规模与工作量估算，其中每类（简单、平均、复杂）均赋予相应的复杂度乘数。
• 将估算得到的UCP值作为输入特征，应用于四种不同的SVR核方法：线性、多项式、径向基函数（RBF）和Sigmoid。
• 支持向量回归（SVR）通过非线性映射函数在高维特征空间中寻找最优回归边界，以最小化预测误差。
• 使用MATLAB优化模型参数，并采用标准指标（均方相对误差MMRE与预测准确率PRED）评估性能。
• 基于84个案例数据集中的17个测试案例，对各SVR核方法的准确率与误差率进行对比分析。
• 将结果与现有模型（如回归、神经网络、模糊推理系统和TreeBoost）进行基准对比，确保使用相同数据集以保持一致性。

实验结果

研究问题

• RQ1 在与用例点（UCP）模型结合时，哪种SVR核函数（线性、多项式、RBF或Sigmoid）能产生最准确的软件工作量估算？
• RQ2 与基于回归的传统UCP估算方法相比，UCP与SVR结合是否能显著降低均方相对误差（MMRE）？
• RQ3 所提出的RBF-SVR模型在预测准确率方面与TreeBoost、人工神经网络及模糊推理系统等先进模型相比表现如何？
• RQ4 SVR核函数的非线性映射能力是否能有效捕捉UCP规模与实际软件工作量之间的非线性关系？
• RQ5 所提出的模型是否能实现高于现有基于UCP的线性或简单回归方程模型的预测准确率？

主要发现

• 基于RBF核的SVR模型实现了最低的均方相对误差（MMRE）0.3857，优于线性（0.5438）、多项式（1.0003）和Sigmoid（0.6049）核函数。
• RBF-SVR模型实现了最高的预测准确率98.0188%，超过次优模型（线性核的97.7421%）及所有相关文献中提及的模型。
• 所提出的RBF-SVR模型在预测准确率上较文献中最佳现有方法——基于回归的UCP估算（准确率95.8%）——提升了2.22个百分点。
• 多项式与Sigmoid核函数表现出更高的误差率，其中多项式核函数的MMRE最高（1.0003），表明其在测试数据上泛化能力较差。
• 结果表明，非线性SVR核函数（尤其是RBF）更适用于建模UCP规模与实际软件工作量之间的复杂非线性关系。
• 本研究证实，将软计算技术（如SVR）与UCP结合，特别是采用RBF核时，可显著提升早期阶段软件工作量估算的准确性。