【技术实现步骤摘要】
本专利技术属于软件开发管理，具体是指基于深度学习的软件项目开发成功率预测方法及系统。
技术介绍
1、软件项目开发成功率预测是软件开发管理的一项重要工作，旨在根据预测结果及时调整项目计划和策略，帮助团队更好地控制项目进度，避免项目延误，提高项目成功率。但在现有的软件项目开发成功率预测过程中，存在着传统方法采用单一的数据源或代码源，未考虑完整的项目过程文档以及项目成员的工作量和工作状态的变化，导致预测结果参考性具有局限性，预测维度有待提升的技术问题；存在着项目工作量和项目积极性即相互独立又具有联系性，进行区隔预测会降低计算效率，而进行统一预测则可能降低预测准确性的技术问题；存在传统的基于多层感知器的软件成功率预测对序列数据处理效果较差，而本方案基于项目工作量评估和项目团队积极性评估的结果进行成功率预测不可避免需要处理序列数据，导致预测精确性有待提高的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了于深度学习的软件项目开发成功率预测方法及系统，针对在现有的软件项目开发成功率预测过程中，存在着传统方法采用单一的数据源或代码源，未考虑完整的项目过程文档以及项目成员的工作量和工作状态的变化，导致预测结果参考性具有局限性，预测维度有待提升的技术问题，本方案创造性地采用项目工作量和项目积极性双任务预测作为前置条件并进一步预测整体成功率的方法，提高了软件项目开发成功率预测的整体深度和可用维度；针对在现有的软件项目开发成功率预测过程中，存在着项目工作量和项目积极性即相
2、本专利技术采取的技术方案如下：本专利技术提供的于深度学习的软件项目开发成功率预测方法，该方法包括以下步骤：
3、步骤s1：项目数据收集；
4、步骤s2：分类预处理；
5、步骤s3：成功率影响因素分析；
6、步骤s4：开发成功率预测；
7、步骤s5：软件项目开发管理。
8、进一步地，在步骤s1中，所述项目数据收集，用于收集开发成功率预测所需的原始数据集，具体为从项目记录纪要文档中，通过数据采集，得到项目开发成功率预测原始数据。
9、进一步地，在步骤s2中，所述分类预处理，用于对不同数据类型的原始数据进行优化和增强处理，具体为对所述项目开发成功率预测原始数据进行分类预处理，得到项目开发成功率预测优化数据。
10、进一步地，在步骤s3中，所述成功率影响因素分析，用于进行双任务成功率影响因素分析，具体为依据所述项目开发成功率预测优化数据，采用协同多任务分析模型，进行项目工作量评估和项目团队积极性评估，得到影响因素分析数据；
11、所述协同多任务分析模型，具体包括变压编码输入嵌入层、双任务协作层和双任务解码预测层；
12、所述变压编码输入嵌入层，用于使用预训练的变压器模型对文本数据进行上下文感知，并对词向量进行向量嵌入；
13、所述双任务协作层，用于分离项目工作量评估和项目团队积极性评估的任务特征，具体包括双任务注意力层、协作注意力层、归一化特征融合层和前馈网络层；
14、所述双任务解码预测层，用于进行特征解码，并构建适用不同任务的具体预测网络并进行双任务预测；
15、所述成功率影响因素分析，包括以下步骤：
16、步骤s31：构建变压编码输入嵌入层，具体为通过预训练的变压器模型对项目开发成功率预测优化数据进行上下文感知，并对词向量进行向量嵌入，生成上下文特征；
17、步骤s32：构建双任务协作层，具体为通过构建双任务注意力层、协作注意力层、归一化特征融合层和前馈网络层，得到双任务协作层，包括以下步骤：
18、步骤s321：构建双任务注意力层，用于提取关键特征，具体为通过双任务注意力层进行注意力权重计算，并进行残差连接，得到项目工作量特征和项目团队特征，计算公式为：
19、；
20、式中，attone是项目工作量评估的注意力权重，softmax(·)是softmax函数，用于归一化权重，fea是上下文特征，wone是项目工作量评估任务的权重，atttwo是项目团队积极性评估的注意力权重，wtwo是项目团队积极性评估任务的权重，fone是项目工作量特征，ftwo是项目团队特征；
21、步骤s322：构建协作注意力层，用于捕捉两项任务之间的特征关系，具体为将项目工作量特征和项目团队特征分别映射到查询、键和值矩阵，通过互注意力机制，计算双任务协作注意力，所述双任务协作注意力包括项目工作量协作注意力和项目团队协作注意力；
22、步骤s323：构建归一化特征融合层，用于特征表达增强，具体为依据双任务协作注意力，计算项目工作量协作特征和项目团队协作特征，并通过拼接得到双任务互信息，计算公式为：
23、；
24、式中，是项目工作量协作特征，layernorm(·)是层归一化计算函数，attone是项目工作量协作注意力，是项目团队协作特征，atttwo是项目团队协作注意力，fot是双任务互信息，⊕是向量拼接操作符；
25、步骤s324：构建前馈网络层，计算得到项目工作量最终特征和项目团队最终特征，计算公式为：
26、；
27、式中，feaone是项目工作量最终特征，fnn(·)是前馈网络计算函数，featwo是项目团队最终特征；
28、步骤s33：构建双任务解码预测层，具体为通过构建结合条件随机场的卷积长短期记忆预测子网，进行双任务解码预测，得到项目工作量预测数据和项目团队积极性预测类标签，具体包括以下步骤：
29、步骤s331：项目工作量评估，具体为构建卷积长短期记忆子网，并通过卷积子网中的池化层进行项目工作量最终特征的最大池化，得到工作量池化特征，并使用长短期记忆子网优化工作量池化特征的时序特征，通过softmax函数进行计算，得到项目工作量预测数据；
30、所述通过softmax函数进行计算，得到项目工作量预测数据的计算公式为：
31、；
32、式中，yone是项目工作量预测数据，sone是工作量池化特征，bon本文档来自技高网...
【技术保护点】
1.基于深度学习的软件项目开发成功率预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于深度学习的软件项目开发成功率预测方法，其特征在于：在步骤S3中，所述成功率影响因素分析，用于进行双任务成功率影响因素分析，具体为依据所述项目开发成功率预测优化数据，采用协同多任务分析模型，进行项目工作量评估和项目团队积极性评估，得到影响因素分析数据；
3.根据权利要求2所述的基于深度学习的软件项目开发成功率预测方法，其特征在于：在步骤S32中，所述构建双任务协作层，包括以下步骤：
4.根据权利要求3所述的基于深度学习的软件项目开发成功率预测方法，其特征在于：在步骤S4中，所述开发成功率预测，用于进行软件开发综合成功率预测，具体为依据项目开发成功率预测优化数据和影响因素分析数据，采用结合参数优化的改进多层双向门控循环网络，进行软件开发成功率预测，得到软件开发成功率预测数据；
5.根据权利要求4所述的基于深度学习的软件项目开发成功率预测方法，其特征在于：在步骤S42中，所述构建双向门控循环子网，包括以下步骤：
6.根据
7.根据权利要求6所述的基于深度学习的软件项目开发成功率预测方法，其特征在于：在步骤S1中，所述项目数据收集，用于收集开发成功率预测所需的原始数据集，具体为从项目记录纪要文档中，通过数据采集，得到项目开发成功率预测原始数据；
8.基于深度学习的软件项目开发成功率预测系统，用于实现如权利要求1-7中任一项所述的基于深度学习的软件项目开发成功率预测方法，其特征在于：包括项目数据收集模块、分类预处理模块、成功率影响因素分析模块、开发成功率预测模块和软件项目开发管理模块。
9.根据权利要求8所述的基于深度学习的软件项目开发成功率预测系统，其特征在于：所述项目数据收集模块，从项目记录纪要文档中，通过数据采集，得到项目开发成功率预测原始数据，并将所述项目开发成功率预测原始数据发送至分类预处理模块；
...【技术特征摘要】
1.基于深度学习的软件项目开发成功率预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于深度学习的软件项目开发成功率预测方法，其特征在于：在步骤s3中，所述成功率影响因素分析，用于进行双任务成功率影响因素分析，具体为依据所述项目开发成功率预测优化数据，采用协同多任务分析模型，进行项目工作量评估和项目团队积极性评估，得到影响因素分析数据；
3.根据权利要求2所述的基于深度学习的软件项目开发成功率预测方法，其特征在于：在步骤s32中，所述构建双任务协作层，包括以下步骤：
4.根据权利要求3所述的基于深度学习的软件项目开发成功率预测方法，其特征在于：在步骤s4中，所述开发成功率预测，用于进行软件开发综合成功率预测，具体为依据项目开发成功率预测优化数据和影响因素分析数据，采用结合参数优化的改进多层双向门控循环网络，进行软件开发成功率预测，得到软件开发成功率预测数据；
5.根据权利要求4所述的基于深度学习的软件项目开发成功率预测方法，其特征在于：在步骤s42中，所述构建双向门控循环子网，包括以下步骤：
6.根据权...
【专利技术属性】
技术研发人员：梁树路，李敬敬，李强，董铭，张航，
申请(专利权)人：盐城欢之乐网络科技有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。