論文の概要: Dynamic Prediction of Delays in Software Projects using Delay Patterns
and Bayesian Modeling
- arxiv url: http://arxiv.org/abs/2309.12449v2
- Date: Mon, 2 Oct 2023 19:30:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 06:38:06.995529
- Title: Dynamic Prediction of Delays in Software Projects using Delay Patterns
and Bayesian Modeling
- Title(参考訳): 遅延パターンとベイジアンモデリングを用いたソフトウェアプロジェクトの遅延の動的予測
- Authors: Elvan Kula and Eric Greuter and Arie van Deursen and Georgios Gousios
- Abstract要約: 既存の作業推定モデルは静的であり、プロジェクト実行中に発生する変更を組み込むことはできない。
本稿では,遅延パターンとベイズモデルを用いて連続的に全体の遅延を予測する動的モデルを提案する。
INGの4,040のエピックと270のチームによる実世界のデータに対するアプローチを適用します。
- 参考スコア(独自算出の注目度): 16.350443056502662
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Modern agile software projects are subject to constant change, making it
essential to re-asses overall delay risk throughout the project life cycle.
Existing effort estimation models are static and not able to incorporate
changes occurring during project execution. In this paper, we propose a dynamic
model for continuously predicting overall delay using delay patterns and
Bayesian modeling. The model incorporates the context of the project phase and
learns from changes in team performance over time. We apply the approach to
real-world data from 4,040 epics and 270 teams at ING. An empirical evaluation
of our approach and comparison to the state-of-the-art demonstrate significant
improvements in predictive accuracy. The dynamic model consistently outperforms
static approaches and the state-of-the-art, even during early project phases.
- Abstract(参考訳): 現代のアジャイルソフトウェアプロジェクトは絶え間なく変化し、プロジェクトライフサイクル全体を通して全体的な遅延リスクを再評価することが不可欠です。
既存の労力推定モデルは静的であり、プロジェクト実行中に発生する変更を組み込むことができない。
本稿では,遅延パターンとベイズモデルを用いて連続的に全体の遅延を予測する動的モデルを提案する。
モデルはプロジェクトフェーズのコンテキストを取り入れ、時間とともにチームのパフォーマンスの変化から学ぶ。
INGの4,040エピックと270チームから得られた実世界のデータにアプローチを適用し,我々のアプローチと最先端技術との比較を実証的に評価した結果,予測精度が大幅に向上した。
動的モデルは、初期のプロジェクトフェーズでさえ、静的アプローチと最先端を一貫して上回る。
関連論文リスト
- An Efficient Occupancy World Model via Decoupled Dynamic Flow and Image-assisted Training [50.71892161377806]
DFIT-OccWorldは、分離されたダイナミックフローとイメージアシストトレーニング戦略を活用する、効率的な3D占有世界モデルである。
提案モデルでは, 静止ボクセルはポーズ変換により容易に得られるのに対し, 既存のボクセルフローを用いて既存の観測を歪曲することで, 将来のダイナミックボクセルを予測できる。
論文 参考訳(メタデータ) (2024-12-18T12:10:33Z) - AMUSE: Adaptive Model Updating using a Simulated Environment [1.6124402884077915]
予測モデルは、基礎となるデータ分布が時間とともに変化し、性能が低下するコンセプトドリフトの課題にしばしば直面する。
シミュレーションデータ生成環境内で学習した強化学習を活用する新しい手法であるAMUSEを提案する。
その結果、AMUSEは予想されるパフォーマンス改善に基づいたアップデートを積極的に推奨している。
論文 参考訳(メタデータ) (2024-12-13T13:04:46Z) - A Cost-Aware Approach to Adversarial Robustness in Neural Networks [1.622320874892682]
本稿では,ハードウェア選択,バッチサイズ,エポック数,テストセット精度の影響を測定するために,高速化された故障時間モデルを提案する。
我々は、複数のGPUタイプを評価し、モデルの堅牢性を最大化し、モデル実行時間を同時に最小化するためにTree Parzen Estimatorを使用します。
論文 参考訳(メタデータ) (2024-09-11T20:43:59Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳(メタデータ) (2024-07-18T15:44:23Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Fine-grained Forecasting Models Via Gaussian Process Blurring Effect [6.472434306724611]
時系列予測は、複雑な時間的依存関係と動的な時間的依存関係が存在するため、困難なタスクである。
より多くのトレーニングデータを使用することで精度が向上するが、このソースは制限されることが多い。
我々は、エンドツーエンドの予測・デノゲーションパラダイムを提唱し、画像生成のためのDenoisingアプローチを成功させています。
論文 参考訳(メタデータ) (2023-12-21T20:25:16Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - WaveBound: Dynamic Error Bounds for Stable Time Series Forecasting [30.692056599222926]
時系列予測は、現実の応用において高い実用性のために重要な課題となっている。
最近のディープラーニングベースのアプローチは、時系列予測において顕著な成功を収めている。
深層ネットワークはいまだに不安定なトレーニングと過度な適合に悩まされている。
論文 参考訳(メタデータ) (2022-10-25T19:58:02Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Reinforcement Learning based dynamic weighing of Ensemble Models for
Time Series Forecasting [0.8399688944263843]
データモデリングのために選択されたモデルが(線形/非線形、静的/動的)異なるモデルと独立(最小相関)モデルである場合、予測の精度が向上することが知られている。
アンサンブルモデルを重み付けするために文献で提案された様々なアプローチは、静的な重みセットを使用する。
この問題に対処するため、Reinforcement Learning (RL)アプローチでは、各モデルの重み付けを異なるタイミングで動的に割り当て、更新する。
論文 参考訳(メタデータ) (2020-08-20T10:40:42Z) - Consistency Guided Scene Flow Estimation [159.24395181068218]
CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。
提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。
最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
論文 参考訳(メタデータ) (2020-06-19T17:28:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。