企业投资项目预测方法刍议

一个投资项目实施后，能否达到预期收益，这是投资企业关注的首要问题，所以在投资项目实施前．企业决策部门应收集与其有关的资料、召集有关专家（或企业内部专业部门有关人员）根据市场未来发展变化趋势进行科学论证。

基于项目传递打分和项目预测的协同过滤推荐

针对目前协同过滤中数据极端稀疏的问题,提出利用项目之间的传递打分来填充项目评分矩阵.在用户评分矩阵和项目矩阵的基础上使用项目预测的方法来降低稀疏性,提高推荐效率,并利用推荐算法产生推荐项目序列.最后,通过试验证明了该方法的可靠性和准确性.

伦敦奥运会水球项目预测

今夏的伦敦，水球项目比赛将是一番混战，无论男子项目，还是女子项目，目前各队的实力都没有明显的差异。1 男子方面从历史上看，匈牙利队作为过去3届奥运会冠军，将是男子水球奖牌的强有力争夺者，历届奥运会共获得9枚金牌；然而，在过去2届世锦赛上，该队的成绩并不理想，与奖牌无缘。

基于动态分布对齐和伪标签学习的跨项目缺陷预测

跨项目缺陷预测(cross-project defect prediction,CPDP)已经成为软件工程和数据挖掘领域的一个重要研究方向,利用其他数据丰富项目的缺陷代码来建立预测模型,解决了模型构建过程中的数据不足问题.然而源项目和目标项目的代码文件之间存在的分布差异,导致跨项目预测效果不佳.大多数研究采用域适应方法来解决这一问题,但是现有的方法一方面只考虑了条件分布或边缘分布对缺陷预测的影响,忽视了其动态性;另一方面没有选择合适的伪标签.基于上述两个方面,本文提出了一种基于动态分布对齐和伪标签学习的跨项目缺陷预测方法(DPLD).具体来说,我们通过对抗域适应方法分别在域对齐和类别对齐模块中减小项目间的边缘分布差异和条件分布差异,并借助动态分布因子动态、定量地描述了两种分布的相对重要性.此外,本文也提出了一种伪标签学习方法,通过数据间的几何相似性来增强伪标签作为真实标签的准确性.本文在PROMISE数据集上进行了实验,Fmeasure和AUC的值分别提升了22.98%、15.21%,表明了本文方法在减小项目间分布差异、提升跨项目缺陷预测性能上的有效性.

基于联合特征分布匹配的跨项目缺陷预测

为解决跨项目软件缺陷预测研究中存在的特征不完备和分类边界模糊问题,提出一种基于联合特征的双编码器分布匹配方法(DeDM-JF)。利用卷积神经网络提取代码中与缺陷有关的结构语义特征,将其与人为选取的Handcrafted特征结合,形成联合特征;在此基础上,构建包含分布差异匹配层的双自编码器,学习跨项目全局和局部可迁移特征用于训练缺陷预测模型。面向软件缺陷数据仓库中的798对跨项目缺陷预测任务开展实验,与相关的跨项目缺陷预测方法比较,DeDM-JF方法预测的F-measure和MCC指标有明显提升。

结合特征对齐与实例迁移的跨项目缺陷预测

为解决跨项目缺陷预测中源项目和目标项目分布差异较大的问题,提出了一种基于特征对齐和实例迁移的两阶段缺陷预测方法(FAIT)。首先,在特征对齐阶段,根据边缘概率分布进行特征的边缘分布对齐;然后,基于源项目和目标项目构建条件分布映射矩阵完成条件分布对齐;最后,在实例迁移阶段,通过改进了权重调整策略的TrAdaBoost方法构建跨项目缺陷预测模型。以F 1作为评价指标,当目标项目有标签实例比例为20%时,FAIT性能最佳,且两过程特征对齐优于单一过程特征对齐。此外,FAIT的预测性能在AEEEM和NASA数据集上分别提高了10.69%、15.04%。FAIT在一定程度上解决了源项目与目标项目的分布差异,能够取得较好的缺陷预测性能。

挣值管理在项目完工预测中的应用与改进:研究综述

通过文献研究,对现有应用挣值管理进行项目完工预测的研究进行综述,从改进绩效指数的准确性与集成风险因素的影响两个角度进行系统性梳理,总结现有研究的优势与局限性,以期为未来研究指明方向。

基于堆叠降噪自编码器的跨项目软件缺陷数量预测方法

在软件缺陷预测技术应用中,需要预测的项目可能是一个全新的项目,或者需要预测的项目历史数据较为不足。一种解决方法是利用已有数据充足的项目(源项目)构建模型完成对新项目(目标项目)的预测,主要利用传统机器学习方法对源项目与目标项目进行特征迁移学习完成缺陷预测,但不同项目之间的数据存在较大的分布差异,同时传统机器方法学习到的特征表示能力很弱且缺陷预测性能较差。针对此问题,从深度学习出发提出一种基于堆叠降噪自编码器的跨项目缺陷预测方法,该方法结合堆叠降噪自编码器和最大均值差异距离,能够有效地提取源项目与目标项目可迁移的深层次特征表示,基于该特征可以训练出有效的缺陷数量预测模型。实验结果表明,在Relink数据集和AEEEM数据集上与经典的跨项目缺陷预测方法Burak过滤法、Peters过滤法、TCA以及TCA+进行比较,该方法在大多数情况下可取得最好的预测结果。

论在预测型工程建设项目中应用敏捷项目管理的必要性

传统的瀑布式项目管理方法在预测型工程建设项目中仍然占主导地位,近三年整个市场变幻莫测,项目的需求和环境随时可能发生变化,强调计划为主的预测型项目管理模式已出现明显的不适应,强行执行原定计划最终可能会导致项目失败。敏捷项目管理作为一种灵活、高效的项目管理方法,已被广泛应用于软件开发等领域。本文主要探讨如何将敏捷项目管理的理念和实践应用于预测型工程建设项目中,以提高项目的执行效率和成功率。

基于特征迁移和实例迁移的跨项目缺陷预测方法

在实际软件开发中,需要进行缺陷预测的项目可能是一个新启动项目,或者这个项目的历史训练数据较为稀缺.一种解决方案是利用其他项目(即源项目)已搜集的训练数据来构建模型,并完成对当前项目(即目标项目)的预测.但不同项目的数据集间会存在较大的分布差异性.针对该问题,从特征迁移和实例迁移角度出发,提出了一种两阶段跨项目缺陷预测方法 FeCTrA.具体来说,在特征迁移阶段,该方法借助聚类分析选出源项目与目标项目之间具有高分布相似度的特征;在实例迁移阶段,该方法基于TrAdaBoost方法,借助目标项目中的少量已标注实例,从源项目中选出与这些已标注实例分布相近的实例.为了验证FeCTrA方法的有效性,选择Relink数据集和AEEEM数据集作为评测对象,以F1作为评测指标.首先,FeCTrA方法的预测性能要优于仅考虑特征迁移阶段或实例迁移阶段的单阶段方法;其次,与经典的跨项目缺陷预测方法 TCA+、Peters过滤法、Burak过滤法以及DCPDP法相比,FeCTrA方法的预测性能在Relink数据集上可以分别提升23%、7.2%、9.8%和38.2%,在AEEEM数据集上可以分别提升96.5%、108.5%、103.6%和107.9%;最后,分析了FeCTrA方法内的影响因素对预测性能的影响,从而为有效使用FeCTrA方法提供了指南.

基于多源数据的跨项目软件缺陷预测

跨项目(CP)的软件缺陷预测方法可以解决传统基于目标项目(WP)实现预测时要求有历史积累数据以及缺陷标注代价较高等问题。针对已有CP方法中存在的预测性能较低和可操作性较差等不足,提出了一种基于多源数据的跨项目软件缺陷预测方法。首先获取与目标项目特征相似的多源项目为候选;然后以候选项目的软件模块引导训练数据的选择;最后基于朴素贝叶斯算法实现预测模型。采用真实的软件缺陷数据进行实验,结果表明该方法的性能优于传统的WP方法,可以代替WP方法用于软件工程实践。

挣值分析中项目完工成本预测方法的问题与出路

现代项目管理知识体系中有关项目挣值分析的方法是在美国国防部1967年推出的项目"成本/工期控制系统规范(C/SCSC)"基础上发展而来的。根据美国项目管理协会(ProjectManagementInstitute—PMI)发布的项目管理知识体系指南(AGuidetoProjectManagementBodyOfKnowledge—PMBOK)2000年新版中的挣值分析方法,作者经过研究证明挣值分析中的项目成本预测方法存在着一些问题和局限性,本文全面讨论了这些问题和局限性并提出了相应的解决方案。

跨项目软件缺陷预测方法研究综述

软件缺陷预测首先通过挖掘与分析软件历史仓库,从中抽取程序模块并进行类型标记.随后通过分析软件代码的内在复杂度或开发过程特征,设计出与软件缺陷存在强相关性的度量元,并对这些程序模块进行度量.最后借助特定的机器学习方法基于上述数据构建出缺陷预测模型.因此该方法可以在项目开发的早期阶段,通过预先识别出项目内的可疑缺陷模块,达到优化测试资源分配的目的.但在实际软件开发场景中,需要进行缺陷预测的项目可能是一个新启动项目,或这个项目的历史训练数据比较稀缺.一种简单的解决方案是利用其他项目已经搜集的训练数据来构建缺陷预测模型.但不同项目之间因所处的应用领域、采用的开发流程、使用的编程语言、开发人员经验等并不相同,因此对应数据集间会存在较大的分布差异性并造成该方案的实际性能并不理想,因此如何通过有效迁移源项目的相关知识来为目标项目构建预测模型,吸引了国内外研究人员的关注,并将该问题称为跨项目软件缺陷预测问题.论文针对该问题进行了系统综述.根据预测场景的不同,将已有方法分为3类:基于有监督学习的方法、基于无监督学习的方法和基于半监督学习的方法.其中基于有监督学习的方法主要基于候选源项目集的程序模块来构建模型.这类方法根据源项目与目标项目采用的度量元是否相同又可以细分为同构跨项目缺陷预测方法和异构跨项目缺陷预测方法.针对前者,研究人员主要从度量元取值转换、实例选择和权重设置、特征映射和特征选择、集成学习、类不平衡学习等角度展开研究.而后者更具研究挑战性,研究人员主要基于特征映射和典型相关分析等方法展开研究.基于无监督学习的方法直接尝试对目标项目中的程序模块进行预测.这类方法假设在软件缺陷预测问题中,有缺陷模块的度量元取值存在高于无缺陷模块的度量元取值的倾向.因此研究人员主要基于聚类方法展开研究.而基于半监督学习的方法则会综合使用候选源项目集的程序模块和目标项目中的少量已标记模块来构建模型.这类方法通过尝试从目标项目中选出少量模块进行标记,以提高跨项目缺陷预测的性能.研究人员主要借助集成学习和TrAdaBoost方法展开研究.论文依次对每一类方法的已有研究成果进行了系统梳理和点评.随后论文进一步总结了跨项目缺陷预测研究中经常使用的性能评测指标和评测数据集,其统计结果可以辅助研究人员针对该问题进行合理的实验设计.最后总结全文,并分别从数据集搜集、数据集预处理、模型构建和评估、模型应用这4个维度对未来值得关注的研究方向进行了展望.

一种采用对抗学习的跨项目缺陷预测方法

跨项目缺陷预测(cross-project defect prediction, CPDP)已经成为软件工程数据挖掘领域的一个重要研究方向,它利用其他项目的缺陷代码来建立预测模型,解决了模型构建过程中的数据不足问题.然而源项目和目标项目的代码文件之间存在着数据分布的差异,导致跨项目预测效果不佳.基于生成式对抗网络(generative adversarial network,GAN)中的对抗学习思想,在鉴别器的作用下,通过改变目标项目特征的分布,使其接近于源项目特征的分布,从而提升跨项目缺陷预测的性能.具体来说,提出的抽象连续生成式对抗网络(abstract continuous generative adversarial network, AC-GAN)方法包括数据处理和模型构建两个阶段:(1)首先将源项目和目标项目的代码转换为抽象语法树(abstract syntax tree,AST)的形式,然后以深度优先方式遍历抽象语法树得出节点序列,再使用连续词袋模型(continuous bag-of-words model,CBOW)生成词向量,依据词向量表将节点序列转化为数值向量;(2)处理后的数值向量被送入基于GAN网络结构的模型进行特征提取和数据迁移,然后使用二分类器来判断目标项目代码文件是否有缺陷. AC-GAN方法在15组源-目标项目对上进行了对比实验,实验结果表明了该方法的有效性.

基于随机S曲线的项目绩效监测和预测研究

随机S曲线(SS曲线)充分考虑了项目费用和工期的随机性,展示了费用、工期和项目进展百分比之间的关系。基于仿真获得的SS曲线,提出新的费用偏差(CV)和工期偏差(SV)参数,实现对项目绩效的监测;考虑项目未来绩效与过去绩效之间的相关性,依据活动或项目的费用绩效指数(CPI)和工期绩效指数(SPI),对尚未完成和尚未开始活动的费用和时间参数进行调整,采用仿真方法预测项目未来绩效,获得项目完成时费用偏差(CVAC)和工期偏差(SVAC)指标,实现对项目绩效的预测。结合一个三层住宅工程案例,详细说明了基于SS曲线的项目绩效监测和预测方法在项目管理实践中的应用。

基于粗糙集——粒子群神经网络的建设项目安全预测研究

回顾施工项目安全管理和安全管理研究现状,建立建设项目安全管理指标体系。利用人工神经网络非线性函数逼近能力,对项目风险因素程度预测。针对该网络当数据量大时,其结构复杂、收敛慢,易陷入局部最优的缺点,引入粗糙集对影响建设项目安全目标的不确定性因素进行约简,找出最小不确定性风险因素集,大大简化网络输入信息的表达空间维数。并结合粒子群算法收敛速度快、全局最优的寻优能力强的优点,建立基于粗糙集——粒子群神经网络的建设项目安全预测系统。通过实例验证该系统的科学性和有效性。

基于分层数据筛选的跨项目缺陷预测方法

跨项目缺陷预测旨在解决传统的项目内缺陷预测的历史数据缺失,新项目初期缺乏训练数据等实际问题。然而,在跨项目缺陷预测中,不同项目之间以及实例之间的数据分布差异降低了其预测性能。针对这一问题,提出了基于分层数据筛选的跨项目缺陷预测方法。该方法将训练数据的筛选过程分为项目层筛选和实例层筛选,从源数据集中选出与目标项目数据分布最接近的候选项目集,在候选项目集中选出与目标项目中实例相似度较高的训练数据集,最后在训练数据集上训练朴素贝叶斯模型。在PROMISE数据集进行实验对比。结果表明,与项目内缺陷预测比较,提出的分层数据筛选方法优于项目内缺陷预测,并且有效降低了训练数据和目标项目数据之间的差异性。

基于主动学习的跨项目软件缺陷预测方法

通过软件缺陷预测可以有效地提高软件测试效率,保证软件产品的质量。针对新开发的项目面临训练数据不足,标注代价高以及源项目与目标项目的缺陷模式难以匹配的问题,提出了基于主动学习的跨项目软件缺陷预测方法。首先使用主动学习方法对目标项目进行筛选标注,其次将得到的标签集与跨项目数据进行数据融合和模式匹配,最后构建跨项目软件缺陷预测模型。采用真实的软件缺陷数据进行实验,在保证预测率的前提下,曲线下面积(area under curve, AUC)能够达到0.692,与传统方法相比综合性能均有显著提升。结果表明:所提方法可以通过模式匹配有效提高跨项目软件缺陷预测模型的性能。

基于实例过滤与迁移的跨项目缺陷预测方法

在跨项目软件缺陷预测中,人工采集标注的原始数据集通常包含噪声数据,并且源项目与目标项目之间的数据存在较大的分布差异性。针对该问题,提出一种两阶段跨项目缺陷预测方法CLNI-KMM。在实例过滤阶段,基于CLNI算法过滤噪声实例。在实例迁移阶段,采用KMM算法调整源项目中实例的训练权重,并结合目标项目中的少量标注实例建立软件缺陷预测模型。实验结果表明,与经典的跨项目软件缺陷预测方法TCA、TNB和NNFilter相比,CLNI-KMM方法预测性能较优,并且具有较强的稳定性。

基于特征选择和TrAdaBoost的跨项目缺陷预测方法

跨项目软件缺陷预测可以解决预测项目中训练数据较少的问题,然而源项目和目标项目通常会有较大的数据分布差异,这降低了预测性能。针对该问题,提出了一种基于特征选择和TrAdaBoost的跨项目缺陷预测方法(CPDP-FSTr)。首先,在特征选择阶段,采用核主成分分析法(KPCA)删除源项目中的冗余数据;然后,根据源项目和目标项目的属性特征分布,按距离选出与目标项目分布最接近的候选源项目数据;最后,在实例迁移阶段,通过采用评估因子改进的TrAdaBoost方法,在源项目中找出与目标项目中少量有标签实例分布相近的实例,并建立缺陷预测模型。以F1作为评价指标,与基于特征聚类和TrAdaBoost的跨项目软件缺陷预测(FeCTrA)方法以及基于多核集成学习的跨项目软件缺陷预测(CMKEL)方法相比,CPDP-FSTr的预测性能在AEEEM数据集上分别提高了5.84%、105.42%,在NASA数据集上分别提高了5.25%、85.97%,且其两过程特征选择优于单一特征选择过程。实验结果表明,当源项目特征选择比例和目标项目有类标实例比例分别为60%、20%时,所提CPDP-FSTr能取得较好的预测性能。