Key points are not available for this paper at this time.
Die Kostenschätzung von Software (SCE) ist eine der Forschungsschwerpunkte und Herausforderungen beim Bau von cyber-physikalisch-sozialen Systemen (CPSS). In CPSS ist es dringend erforderlich, Umwelt- und soziale Informationen genau zu verarbeiten und diese zur Leitung sozialer Praktiken zu nutzen. In Reaktion auf die Probleme der niedrigen Vorhersagegenauigkeit, schlechten Robustheit und schlechten Interpretierbarkeit in der SCE schlägt dieses Papier ein SCE-Modell vor, das auf Autoencoder und Random Forest basiert. Zuerst werden die Projektdaten vorverarbeitet, Ausreißer entfernt und Regressionsbäume gebaut, um fehlende Attribute in den Daten zu ergänzen. Zweitens wird ein Autoencoder konstruiert, um die Dimensionalität der Faktoren zu reduzieren, die die Softwarekosten beeinflussen. Anschließend wurde die Leistung des Modells mit dem XGBoost-Framework auf drei Datensätzen: COCOMO81, Albrecht und Desharnais trainiert und validiert und mit gängigen Kostenvorhersagemodellen verglichen. Die experimentellen Ergebnisse zeigen, dass die MMRE-, MdMRE- und PRED (0,25)-Werte des vorgeschlagenen Modells auf dem COCOMO81-Datensatz 0,21, 0,16 und 0,71 erreichten. Im Vergleich zu anderen Modellen erzielte das vorgeschlagene Modell signifikante Verbesserungen in Genauigkeit und Robustheit.
Zhang et al. (Dienstag,) haben diese Frage untersucht.