Dự đoán thời gian và chi phí hoàn thành dự án phần mềm sử dụng XGBoost
21 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.94.2024.149-158Từ khóa:
Quản lý dự án phần mềm; EVM; XGBoost.Tóm tắt
Với sự phát triển vượt bậc của công nghệ thông tin, quản lý chi phí và thời gian hoàn thành dự án phần mềm trở thành một vấn đề cấp thiết. Để có thể quản lý các dự án phần mềm, nhu cầu về dự đoán chi phí và thời gian hoàn thành là vô cùng quan trọng. Các phương pháp truyền thống thường sử dụng phương pháp quản lý giá trị thu được EVM để dự đoán chi phí và thời gian hoàn thành dự án. Tuy nhiên, phương pháp này thường đạt được độ chính xác không quá cao khi dữ liệu có nhiều nhiễu. Những năm gần đây, các phương pháp học máy xuất hiện như một giải pháp hữu ích cho việc tận dụng các dữ liệu trong quá khứ để dự đoán các giá trị trong tương lai. Trong nghiên cứu này, chúng tôi đề xuất sử dụng mô hình học máy XGBoost để dự đoán chi phí và thời gian hoàn thành dự án. Kết quả thực nghiệm cho thấy XGBoost có tiềm năng trong việc giải quyết bài toán này.
Tài liệu tham khảo
[1]. Simion, Cezar-Petre, and Irinel Marin. “Project cost estimate at completion: earmed value management versus earned schedule-based regression models. A comparative analysis of the models application in the construction projects in Romania”. Economic Computation & Economic Cybernetics Studies & Research 52.3, (2018). DOI: https://doi.org/10.24818/18423264/52.3.18.14
[2]. Nannini, G., R.D.H, Warburton, and A. De Marco. “Improving the accuracy of project estimates at completion using the Gompertz function”. International Research Network on Organizing by Projects (IRNOP), UTS ePRESS, Sydney: NSW, pp.1-15, (2017). DOI: https://doi.org/10.5130/pmrp.irnop2017.5670
[3]. Narbaev T .; De Marco A. “Combination of Growth Model and Earned Schedule to Forecast Project Cost at Completion”. In: Journal of Construction engineering and management, vol. 140 n. 1, Article number 04013038-. - ISSN 0733-9364, (2014). DOI: https://doi.org/10.1061/(ASCE)CO.1943-7862.0000783
[4]. Batselier, J., & Vanhoucke, M. “Evaluation of deterministic state-of-the-art forecasting approaches for project duration based on earning value management”. International Journal of Project Management, 33 (7), 1588-1596, (2015). DOI: https://doi.org/10.1016/j.ijproman.2015.04.003
[5]. Khamooshi, H., Golafshani, H. EDM: “Earned Duration Management, a new approach to schedule performance management and measurement”. Int. J. Proj. Manag. 32, 1019–1041, (2014). DOI: https://doi.org/10.1016/j.ijproman.2013.11.002
[6]. Quentin WeFleming, Joel MeKoppelman. “Earned Value Project Management”. Project Management Institute Newtown Square, Pennsylvania USA, (2015).
[7]. Elshaer, R. “Impact of sensitivity information on the prediction of project's duration using earning schedule method”. International Journal of Project Management, 31 (4), 579-588, (2013). DOI: https://doi.org/10.1016/j.ijproman.2012.10.006
[8]. Mukherjee, I., & Routroy, S. “Comparing the performance of neural networks developed by using Levenberg – Marquardt and Quasi-Newton with the gradient descent algorithm for modeling a multiple response grinding process”. Expert Systems with Applications, 39 (3), 2397-2407, (2012). DOI: https://doi.org/10.1016/j.eswa.2011.08.087
[9]. Bottou, L. “Large-scale machine learning with stochastic gradient descent”. In Proceedings of COMPSTAT'2010 (pp. 177-186). Physica-Verlag HD, (2010). DOI: https://doi.org/10.1007/978-3-7908-2604-3_16
[10]. D. Dong, and T. McAvoy, “Nonlinear principal component analysis — based on principal curves and neural networks”, Computers & Chemical Engineering, vol. 20, no. 1, pp. 65-78, (1996). DOI: https://doi.org/10.1016/0098-1354(95)00003-K
[11]. R. S. FAN, Y. LI, and T. T. MA, “Research and application of project settlement overdue prediction based on xgboost intelligent algorithm”, in Sustainable Power and Energy Conference (iSPEC), IEEE, pp. 1213-1216, (2019).
[12]. H. H. Elmousalami, "Comparison of artificial intelligence techniques for project conceptual cost prediction: A case study and comparative analysis", IEEE Transactions on Engineering Management, vol. 68, no. 1, pp. 183-196, (2021). DOI: https://doi.org/10.1109/TEM.2020.2972078
[13]. YAN, Hongyan, et al, “Investment estimation of prefabricated concrete buildings based on XGBoost machine learning algorithm”, Advanced Engineering Informatics, vol 54, no. c: 101789, (2022). DOI: https://doi.org/10.1016/j.aei.2022.101789
[14]. L. T. Anh, N. T. Hung, H. Q. Thang, and N. V. Can, “Calibrating the future performance factor PF in the EVM-GM method of evaluating software project completion: testing and evaluation”, in National Conference XXI: Some selected issues of Information and Communications Technology, Thanh Hoa, Vietnam, pp. 137-143, (2018).
[15]. Batselier, J., Vanhoucke, M., available at:
http://www.projectmanagement.ugeưnt.be/research/data/realdata
[16]. Ruder, Sebastian, “An overview of gradient descent optimization algorithms”, (2016).
