Framework to improve software effort estimation accuracy using novel ensemble rule

Syed Sarmad Ali

doi:10.1016/j.jksuci.2024.102189

Framework to improve software effort estimation accuracy using novel ensemble rule

2024-09-20

0

OA

AI

DOI：10.1016/j.jksuci.2024.102189

原文链接

查看原文

摘要

En 中文

本研究聚焦于优化软件工作量估算（SEE），以提升在软件行业快速变革背景下的项目成果。准确的估算构成了项目成功的基石，对于避免预算超支和降低项目失败风险至关重要。本文提出的框架针对准确估算中的三个关键问题：处理缺失或不足的数据、选择关键特征以及改进软件工作量模型。本框架整合了三种方法：新颖的不完整值填补模型（NIVIM）、结合基于相关性的特征选择与元启发式算法的混合模型（CFS-Meta），以及异构集成模型（HEM）。该综合框架通过有效处理缺失数据、优化特征选择及整合多样化预测模型，协同提升了SEE的鲁棒性和准确性，从而在多变的项目场景下实现更优性能。该框架显著降低了填补和特征选择的开销，而集成方法通过动态加权与元学习优化模型性能。这带来了更低的平均绝对误差（MAE）和更低的计算复杂度，使其更适用于多样化的软件数据集。NIVIM旨在解决SEE中普遍存在的不完整数据集问题。通过集成变分自编码器（VAE）的合成数据方法，该模型融合了上下文相关性和内在项目特征，显著提升了估算精度。比较分析显示，NIVIM在六个基准数据集上超越了现有模型（如VAE、GAIN、K-NN和MICE），实现了统计学显著的改进，平均RMSE提升范围为11.05%至17.72%，MAE提升范围为9.62%至21.96%。我们提出的CFS-Meta方法平衡了全局优化与局部搜索技术，大幅增强了预测能力。所提出的CFS-Meta模型与单一及混合特征选择模型进行了比较以评估其效率，结果显示MSE最多降低了25.61%。此外，CFS-Meta相较于混合PSO-SA模型实现了10%（MAE）的改进，相较于混合ABC-SA模型实现了11.38%（MAE）的改进，相较于混合Tabu-GA和混合ACO-COA模型分别实现了12.42%和12.703%（MAE）的改进。我们的第三种方法提出了集成工作量估算（EEE）模型，通过动态权重调整堆叠组合（DWSC）规则融合多样化的独立模型。在国际基准和行业数据集的测试中，HEM方法使独立模型平均提升了21.8%（Pred()），使同构集成模型提升了15%（Pred()）。这一综合方法论凸显了本模型通过先进预测建模推动软件项目管理（SPM）发展的贡献，为软件工程工作量估算设定了新的基准。

Keyword:

Software effort estimation (SEE)

Data augmentation

Feature selection

Machine learning (ML)

Deep learning (DL)

Neural network (NN)

Ensemble Model

Framework to improve software effort estimation accuracy using novel ensemble rule

摘要

AI总结

期刊

机构

引用论文