.png){kind=icon}
返回
Time series forecasting for bug resolution using machine learning and deep learning models
.png){kind=icon}
OA
AI
DOI：10.3389/fdata.2025.1745751.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测修复时间对于改进软件维护和支持开源项目的规划是一个关键目标。在本研究中，我们评估了不同时间序列预测模型在多个仓库的真实世界数据上的应用效果，比较了局部（每个项目一个模型）和全局（在多个项目上训练单个模型）方法。我们考虑了经典模型（Naive、Linear Regression、Random Forest）和神经网络（MLP、LSTM、GRU），全局扩展包括带有项目嵌入的Random Forest和LSTM。结果表明，在局部层面，Random Forest在多个案例中实现了比深度学习模型更低的误差和更好的分类指标。然而，全局模型表现出更强的鲁棒性和泛化能力：特别是全局Random Forest显著降低了平均误差，并在准确率和F1分数方面保持高性能，而全局LSTM捕捉了时间依赖性，并为跨项目动态提供了额外见解。采用的可解释AI技术（排列重要性、显著性图和嵌入分析）使我们能够解释预测的主要驱动因素，确认了流程变量和时间特征的作用。总体而言，本研究表明，在全局视角下结合经典模型和深度学习的综合方法，能提供更可靠且可解释的预测，以支持软件维护。
Keyword:
time series forecasting
bug resolution
machine learning and deep learning models
explainable artificial intelligence
software maintenance
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
F
IF:
2.3
论文数:
84
被引数:
1.6K
机构
引用论文
Performance Evaluation on Resolution Time Prediction Using Machine Learning Techniques基于机器学习的方法对解析时间预测的性能评估
PREAI
分享收藏分享收藏分享收藏Explainable artificial intelligence (XAI) on timeseries data: a survey可解释人工智能(XAI)在时间序列数据上的应用：一项综述.png)
OAAI
IF0
OAAI分享收藏
查看更多内容