准确的工作量估算和早期风险检测对于软件项目的成功至关重要，因为不准确的预测可能导致进度超出预期、资源分配不当和需求未满足。本研究探讨使用机器学习技术来支持软件项目管理中的任务级工作量预测和主动风险识别。对500个软件开发任务的模拟数据集进行了案例研究，这些任务由计划、技术和团队相关特征描述。评估了两种基于集成的回归模型，即梯度提升和随机森林，用于预测实际任务持续时间。使用标准指标评估模型性能，包括平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²）。为了实现早期风险检测，将预测误差转换为基于偏差的指标，并采用基于阈值的分类器来识别具有中等（>20%）和严重（>30%）进度超出的任务。使用混淆矩阵和分类指标来评估所提出的警报机制的有效性，并分析高风险任务在冲刺分位数中的分布，以支持管理决策。
Catana等人（Thu）研究了这个问题。