CN110569591A - 基于Bi-LSTM的敏捷开发需求变更预测方法 - Google Patents
基于Bi-LSTM的敏捷开发需求变更预测方法 Download PDFInfo
- Publication number
- CN110569591A CN110569591A CN201910828025.3A CN201910828025A CN110569591A CN 110569591 A CN110569591 A CN 110569591A CN 201910828025 A CN201910828025 A CN 201910828025A CN 110569591 A CN110569591 A CN 110569591A
- Authority
- CN
- China
- Prior art keywords
- user
- prediction
- target
- lstm
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Bi‑LSTM的敏捷开发需求变更预测方法,用于解决现有用户需求变更预测方法实用性差的技术问题。技术方案是充分考虑软件敏捷开发的特点,提炼出敏捷开发工作中应用所构建Bi‑LSTM预测模型的标准预测流程,便于方法的实际应用。将Bi‑LSTM模型应用于解决用户需求变更预测,更加高效的利用用户行为上下文数据学习行为与目标的内在联系,与条件随机场模型相比具有更加稳定理想的预测效果,预测准确率、召回率、精确率等指标均有明显提升。在用户意图推理过程中,明确提出了预测准确率、预测精确率、预测概率等参考指标,丰富了用户意图推理的参考标准,增强了推理结果的客观性,避免了主观臆测问题,实用性好。
Description
技术领域
本发明涉及一种用户需求变更预测方法,特别是涉及一种基于Bi-LSTM的敏捷开发需求变更预测方法。
背景技术
文献“A statistical analysis approach to predict user's changingrequirements for software service evolution,Journal of Systems and Software,2017,Vol132,p147-164”公开了一种预测用户需求变化的统计分析方法。该方法提出了应用条件随机场作为数学基础,对用户新兴需求实现定量探索。构建条件随机场模型,学习基于交互的用户行为数据,预测对应的行为目标,根据制订的标准开展用户意图推理,从而发现用户的新兴需求。为保证用户需求预测的效果,模型预测准确性应足够高,从而降低模型自身带来的外部影响。但条件随机场方法在实际操作过程中预测效果并不理想,为后期推理工作造成一定不利影响,且并没有考虑敏捷开发的特点,没有提炼出敏捷开发工作中的标准预测流程。
发明内容
为了克服现有用户需求变更预测方法实用性差的不足,本发明提供一种基于Bi-LSTM的敏捷开发需求变更预测方法。该方法充分考虑软件敏捷开发的特点,提炼出敏捷开发工作中应用所构建Bi-LSTM预测模型的标准预测流程,便于方法的实际应用。将Bi-LSTM模型应用于解决用户需求变更预测,更加高效的利用用户行为上下文数据学习行为与目标的内在联系,与条件随机场模型相比具有更加稳定理想的预测效果,预测准确率、召回率、精确率等指标均有明显提升。在用户意图推理过程中,明确提出了预测准确率、预测精确率、预测概率等参考指标,丰富了用户意图推理的参考标准,增强了推理结果的客观性,避免了主观臆测问题,实用性好。
本发明解决其技术问题所采用的技术方案是:一种基于Bi-LSTM的敏捷开发需求变更预测方法,其特点是包括以下步骤:
步骤一、采用Bi-LSTM模型预测用户行为目标。
通过在程序中嵌入埋点代码的方式监控和捕捉基于交互的用户行为上下文信息,所获取的数据包括操作用户、操作行为、操作页面、停留时间、操作前后页面和用户自我报告目标。
构建基于Bi-LSTM的需求预测模型,依次构建遗忘门、输入门和输出门来处理用户行为序列,学习用户行为与目标的内在联系。在式(1)到式(6)中,x(t-1)、x(t)、x(t+1)分别表示t-1时刻、t时刻和t+1时刻的用户行为序列输入,h(t-1)、h(t)、h(t+1)分别表示对应时刻的该细胞的用户目标序列输出,C(t-1)和C(t)分别表示对应时刻的用户行为与目标间的内在联系状态。
所构建的遗忘门函数模型如式(1)所示,其中f(t)为遗忘控制信号,Wf和bf分别为相应的权值。
f(t)=σ(Wf.[h(t-1),x(t)]+bf) (1)
所构建的输入门函数模型如式(2)、(3)所示,其中c_C(t)为对应时刻的用户行为与目标间的内在联系状态的计算过程变量,i(t)为输入控制信号,Wi、bi、Wc和bc分别为相应的权值。
i(t)=σ(Wi·[h(t-1),x(t)]+bi) (2)
c_C(t)=tanh(WC·[h(t-1),x(t)]+bC) (3)
所构建的更新状态的函数模型如式(4)所示。
C(t)=f(t)*C(t-1)+i(t)*c_C(t) (4)
所构建的输出门函数模型如式(5)、(6)所示,其中o(t)为输出控制信号,Wo、bo分别为对应的参数。
o(t)=σ(Wo[h(t-1),x(t)]+bo) (5)
h(t)=o(t)*tanh(C(t)) (6)
LSTM模型搭建完成,分别重复操作搭建前向后向两个LSTM隐藏层并与同一输出层相连接,搭建Bi-LSTM模型。将上文所收集到的用户行为数据作为训练集输入,模型在大量实际数据学习的基础上实现对行为目标的预测,获得行为目标预测结果。
步骤二、统计预测结果进行用户意图推理。
将目标预测结果与用户自我报告目标进行对比,统计计算预测概率、预测准确率、预测精确率、预测召回率和预测F值。其计算公式如式(7)到式(10)所示,其中TP为实际为目标x且预测为x的样本数,FP为实际不为目标x但预测为x的样本数,FN为实际为目标x但未预测为x的样本数,TN为实际不为目标x且未预测为x的样本数。
推理过程中重点关注预测准确率、预测概率和连续行为等数据,识别异常数据,分析当前系统是否满足用户的需求,并预测和发现是否存在用户的潜在需求或需求变更情况。推理过程应用以下参考标准:
1)若某个标签预测准确率较低,可能由于系统界面按键设置不合理所导致。由于按键位置、名称或功能设置等方面存在问题,与用户使用习惯不相符,从而用户无法快速了解和使用该系统。
2)若某个标签预测虽然准确但预测概率较低,可能由于系统功能细分不清晰或按键设置不合理所致。由于系统中某个按键承担了过多功能需求,或按键设置不合理用户对按键功能存在误解,从而预测模型无法稳定预测用户目标需求。
3)若某段操作过程中存在大量连续错误,可能由于该功能相关按键设置不合理,或系统不能显示提示信息所致。该功能按键设置与用户理解存在较大问题,或系统不能显示错误提示信息,都将使用户在未意识到错误的情况下连续操作。
4)若操作序列中某些操作总是连续先后出现,可能由于这些按键承担着相同功能,或用户使用习惯导致这两个功能往往一起出现。这意味着可以考虑简化按键或按照用户使用习惯开发自定义按键功能,这是用户潜在需求的表达。
步骤三、验证意图推理结果,归纳总结用户需求变更。
邀请项目相关负责人员或者领域内行业专家,依据对项目的理解程度和专业技能,进一步分析所推理出的用户意图合理性,以确定是否产生新兴意图、意图变更或者系统缺陷。必要时邀请用户回访,帮助确定用户意图合理性。
如果验证确实为新兴意图或者系统缺陷,从中归纳分析用户需求变更情况,实现对用户需求变更的预测。
在敏捷软件开发过程中,在两个迭代周期之间应用该方法,预测用户需求变更,并将其作为新的迭代变量参与到新一轮迭代开发工作中。
本发明的有益效果是:该方法充分考虑软件敏捷开发的特点,提炼出敏捷开发工作中应用所构建Bi-LSTM预测模型的标准预测流程,便于方法的实际应用。将Bi-LSTM模型应用于解决用户需求变更预测,更加高效的利用用户行为上下文数据学习行为与目标的内在联系,与条件随机场模型相比具有更加稳定理想的预测效果,预测准确率、召回率、精确率等指标均有明显提升。在用户意图推理过程中,明确提出了预测准确率、预测精确率、预测概率等参考指标,丰富了用户意图推理的参考标准,增强了推理结果的客观性,避免了主观臆测问题,实用性好。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于Bi-LSTM的敏捷开发需求变更预测方法具体步骤如下:
步骤一、采用Bi-LSTM模型预测用户行为目标。在文件管理系统中嵌入埋点代码用于收集用户操作行为信息,确定用户行为标签和用户目标标签,并制定相应的标签词典,分别如表1和表2所示。
表1系统中目标标签及其出现频率
目标标签 | 频率 | 目标标签 | 频率 |
uploadFile | 0.156536 | moveFolder | 0.084097 |
viewFile | 0.141549 | switchLanguage | 0.076603 |
editFile | 0.115737 | renameFile | 0.053289 |
moveFile | 0.109908 | openFolder | 0.053289 |
createFolder | 0.084097 | renameFolder | 0.04746 |
switchListView | 0.029975 | removeFile | 0.017485 |
removeFolder | 0.020816 | downloadFile | 0.009159 |
表2系统中操作标签展示
为简化模型搭建的实验过程,选用了基于Keras的神经网络框架构建Bi-LSTM需求预测模型,选择sigmoid作为激活函数、binary_crossentropy作为损失函数,Adam作为优化函数。所构建模型如下所示:
EMBED_SIZE=128
HIDDEN_SIZE=128
BATCH_SIZE=2
model=Sequential()
model.add(InputLayer(input_shape=(MAX_SEQLEN,)))
model.add(Embedding(s_vocabsize,EMBED_SIZE,mask_zero=True))
model.add(Bidirectional(LSTM(EMBED_SIZE,return_sequences=True)))
model.add(GRU(HIDDEN_SIZE,return_sequences=True))
model.add(TimeDistributed(Dense(t_vocabsize)))
model.add(Activation('sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer='adam',
metrics=['accuracy'])
将收集到的部分数据作为模型输入,通过30轮迭代学习得到预测模型。使用该预测模型预测用户行为所对应的目标,获得预测结果。
表3部分预测结果示例
动作 | 自我报告目标 | 预测目标 | 预测概率 |
clickCancelRenameOrRemove | EditFile | renamefolder | 0.26037842 |
clickRenameOrRemoveFile | renameFile | renamefile | 0.9382561 |
clickSubmitRenameOrRemove | renameFile | movefile | 0.94062334 |
clickRenameOrRemoveFile | moveFile | movefile | 0.6829099 |
clickRemoveFile | moveFile | movefile | 0.875994 |
clickSelectFolderToRemove | moveFile | movefile | 0.9460807 |
clickSubmitRenameOrRemove | moveFile | movefile | 0.9150759 |
clickCancelRenameOrRemove | moveFile | movefile | 0.49713004 |
通过在程序中嵌入埋点代码的方式监控和捕捉基于交互的用户行为上下文信息,所获取的数据包括操作用户、操作行为、操作页面、停留时间、操作前后页面、用户自我报告目标等。
构建基于Bi-LSTM的需求预测模型,依次构建遗忘门、输入门和输出门来处理用户行为序列,学习用户行为与目标的内在联系。在式(1)到式(6)中,x(t-1)、x(t)、x(t+1)分别表示t-1时刻、t时刻和t+1时刻的用户行为序列输入,h(t-1)、h(t)、h(t+1)分别表示对应时刻的该细胞的用户目标序列输出,C(t-1)和C(t)分别表示对应时刻的用户行为与目标间的内在联系状态。
所构建的遗忘门函数模型如式(1)所示,其中f(t)为遗忘控制信号,Wf和bf分别为相应的权值。
f(t)=σ(Wf.[h(t-1),x(t)]+bf) (1)
所构建的输入门函数模型如式(2)(3)所示,其中c_C(t)为对应时刻的用户行为与目标间的内在联系状态的计算过程变量,i(t)为输入控制信号,Wi、bi、Wc和bc分别为相应的权值。
i(t)=σ(Wi·[h(t-1),x(t)]+bi) (2)
c_C(t)=tanh(WC·[h(t-1),x(t)]+bC) (3)
所构建的更新状态的函数模型如式(4)所示。
C(t)=f(t)*C(t-1)+i(t)*c_C(t) (4)
所构建的输出门函数模型如式(5)(6)所示,其中o(t)为输出控制信号,Wo、bo分别为对应的参数。
o(t)=σ(Wo[h(t-1),x(t)]+bo) (5)
h(t)=o(t)*tanh(C(t)) (6)
LSTM模型搭建完成,分别重复操作搭建前向后向两个LSTM隐藏层并与同一输出层相连接,搭建Bi-LSTM模型。将上文所收集到的用户行为数据作为训练集输入,模型在大量实际数据学习的基础上可实现对行为目标的预测,获得行为目标预测结果。
步骤二、统计预测结果进行用户意图推理。按式(7)(8)(9)(10)等计算预测概率、预测准确率、预测精确率、预测召回率和预测F值等统计指标。按照所制定的意图推理标准,关注预测准确率较低、预测概率较低、连续操作错误或连续出现错误等数据,推理出用户的新意图或意图变化。
观察用户行为序列,可有两个发现:
1)在预测错误的数据中,EditFile被误预测为ViewFile的操作数据最多,比例可达19.35%。分析认为除了ViewFile和EditFile两个目标标签在实验中本身出场率较高这一不可避免的原因外,系统按键设置方面也存在一定问题。观察用户操作序列可发现,由于忘记或选择错误等原因,用户常常打开所编辑文件后,点击关闭文件,查看文件后再次选择文件进行编辑。因此可在文件编辑界面进行优化,简化用户操作。
2)注意到用户在使用switchLanguage和switchListView功能时也需要常常连续点击相应按键。这可能是由于用户在使用过程中常需点击查看所选效果是否满意因而需要频繁点击直至效果满意为止,用户这一潜在使用需求并未得到满足。系统可优化该功能,当鼠标位于选项上时则更改为该效果,便于用户选择查看同时简化用户操作。
将目标预测结果与用户自我报告目标进行对比,统计计算预测概率、预测准确率(Acc)、预测精确率(Pre)、预测召回率(R)和预测F值(F)等数据。其计算公式如式(7)-(10)所示,其中TP为实际为目标x且预测为x的样本数,FP为实际不为目标x但预测为x的样本数,FN为实际为目标x但未预测为x的样本数,TN为实际不为目标x且未预测为x的样本数。
推理过程中重点关注预测准确率、预测概率和连续行为等数据,识别异常数据,分析当前系统是否满足用户的需求,并预测和发现是否存在用户的潜在需求或需求变更情况。推理过程应用以下参考标准:
1)若某个标签预测准确率较低,可能由于系统界面按键设置不合理所导致。由于按键位置、名称或功能设置等方面存在问题,与用户使用习惯不相符,从而用户无法快速了解和使用该系统。
2)若某个标签预测虽然准确但预测概率较低,可能由于系统功能细分不清晰或按键设置不合理所致。由于系统中某个按键承担了过多功能需求,或按键设置不合理用户对按键功能存在误解,从而预测模型无法稳定预测用户目标需求。
3)若某段操作过程中存在大量连续错误,可能由于该功能相关按键设置不合理,或系统不能显示提示信息所致。该功能按键设置与用户理解存在较大问题,或系统不能显示错误提示信息,都将使用户在未意识到错误的情况下连续操作。
4)若操作序列中某些操作总是连续先后出现,可能由于这些按键承担着相同功能,或用户使用习惯导致这两个功能往往一起出现。这意味着可以考虑简化按键或按照用户使用习惯开发自定义按键功能,这是用户潜在需求的表达。
步骤三、验证意图推理结果,归纳总结用户需求变更。邀请部分用户参与进行调研反馈,确认上述发现1、2为用户真实意图,从中可归纳出用户的新需求或潜在需求。
1)用户存在打开文件进行编辑时需明确文件信息的潜在需求;
2)用户存在及时判断所选样式是否符合期望的新需求。
将用户需求变更作为新的迭代变量参与到下一轮的迭代开发工作中,将其反馈回开发人员,按照敏捷软件开发要求,帮助做出合理的开发任务,使其更加满足用户的需求。
邀请项目相关负责人员或者领域内行业专家,依据对项目的理解程度和专业技能,进一步分析所推理出的用户意图合理性,以确定是否产生新兴意图、意图变更或者系统缺陷。必要时也可邀请用户回访,帮助确定用户意图合理性。
如果验证确实为新兴意图或者系统缺陷,可从中归纳分析用户需求变更情况,实现对用户需求变更的预测。
在敏捷软件开发过程中,在两个迭代周期之间应用该方法,预测用户需求变更,并将其作为新的迭代变量参与到新一轮迭代开发工作中。
Claims (1)
1.一种基于Bi-LSTM的敏捷开发需求变更预测方法,其特征在于包括以下步骤:
步骤一、采用Bi-LSTM模型预测用户行为目标;
通过在程序中嵌入埋点代码的方式监控和捕捉基于交互的用户行为上下文信息,所获取的数据包括操作用户、操作行为、操作页面、停留时间、操作前后页面和用户自我报告目标;
构建基于Bi-LSTM的需求预测模型,依次构建遗忘门、输入门和输出门来处理用户行为序列,学习用户行为与目标的内在联系;在式(1)到式(6)中,x(t-1)、x(t)、x(t+1)分别表示t-1时刻、t时刻和t+1时刻的用户行为序列输入,h(t-1)、h(t)、h(t+1)分别表示对应时刻的该细胞的用户目标序列输出,C(t-1)和C(t)分别表示对应时刻的用户行为与目标间的内在联系状态;
所构建的遗忘门函数模型如式(1)所示,其中f(t)为遗忘控制信号,Wf和bf分别为相应的权值;
f(t)=σ(Wf.[h(t-1),x(t)]+bf) (1)
所构建的输入门函数模型如式(2)、(3)所示,其中c_C(t)为对应时刻的用户行为与目标间的内在联系状态的计算过程变量,i(t)为输入控制信号,Wi、bi、Wc和bc分别为相应的权值;
i(t)=σ(Wi·[h(t-1),x(t)]+bi) (2)
c_C(t)=tanh(WC·[h(t-1),x(t)]+bC) (3)
所构建的更新状态的函数模型如式(4)所示;
C(t)=f(t)*C(t-1)+i(t)*c_C(t) (4)
所构建的输出门函数模型如式(5)、(6)所示,其中o(t)为输出控制信号,Wo、bo分别为对应的参数;
o(t)=σ(Wo[h(t-1),x(t)]+bo) (5)
h(t)=o(t)*tanh(C(t)) (6)
LSTM模型搭建完成,分别重复操作搭建前向后向两个LSTM隐藏层并与同一输出层相连接,搭建Bi-LSTM模型;将上文所收集到的用户行为数据作为训练集输入,模型在大量实际数据学习的基础上实现对行为目标的预测,获得行为目标预测结果;
步骤二、统计预测结果进行用户意图推理;
将目标预测结果与用户自我报告目标进行对比,统计计算预测概率、预测准确率、预测精确率、预测召回率和预测F值;其计算公式如式(7)到式(10)所示,其中TP为实际为目标x且预测为x的样本数,FP为实际不为目标x但预测为x的样本数,FN为实际为目标x但未预测为x的样本数,TN为实际不为目标x且未预测为x的样本数;
推理过程中重点关注预测准确率、预测概率和连续行为等数据,识别异常数据,分析当前系统是否满足用户的需求,并预测和发现是否存在用户的潜在需求或需求变更情况;推理过程应用以下参考标准:
1)若某个标签预测准确率较低,可能由于系统界面按键设置不合理所导致;由于按键位置、名称或功能设置等方面存在问题,与用户使用习惯不相符,从而用户无法快速了解和使用该系统;
2)若某个标签预测虽然准确但预测概率较低,可能由于系统功能细分不清晰或按键设置不合理所致;由于系统中某个按键承担了过多功能需求,或按键设置不合理用户对按键功能存在误解,从而预测模型无法稳定预测用户目标需求;
3)若某段操作过程中存在大量连续错误,可能由于该功能相关按键设置不合理,或系统不能显示提示信息所致;该功能按键设置与用户理解存在较大问题,或系统不能显示错误提示信息,都将使用户在未意识到错误的情况下连续操作;
4)若操作序列中某些操作总是连续先后出现,可能由于这些按键承担着相同功能,或用户使用习惯导致这两个功能往往一起出现;这意味着可以考虑简化按键或按照用户使用习惯开发自定义按键功能,这是用户潜在需求的表达;
步骤三、验证意图推理结果,归纳总结用户需求变更;
邀请项目相关负责人员或者领域内行业专家,依据对项目的理解程度和专业技能,进一步分析所推理出的用户意图合理性,以确定是否产生新兴意图、意图变更或者系统缺陷;必要时邀请用户回访,帮助确定用户意图合理性;
如果验证确实为新兴意图或者系统缺陷,从中归纳分析用户需求变更情况,实现对用户需求变更的预测;
在敏捷软件开发过程中,在两个迭代周期之间应用该方法,预测用户需求变更,并将其作为新的迭代变量参与到新一轮迭代开发工作中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828025.3A CN110569591B (zh) | 2019-09-03 | 2019-09-03 | 基于Bi-LSTM的敏捷开发需求变更预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828025.3A CN110569591B (zh) | 2019-09-03 | 2019-09-03 | 基于Bi-LSTM的敏捷开发需求变更预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110569591A true CN110569591A (zh) | 2019-12-13 |
CN110569591B CN110569591B (zh) | 2022-10-28 |
Family
ID=68777617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910828025.3A Active CN110569591B (zh) | 2019-09-03 | 2019-09-03 | 基于Bi-LSTM的敏捷开发需求变更预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569591B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101557A (zh) * | 2020-08-18 | 2020-12-18 | 西北工业大学 | 一种基于crf-lstm算法的需求变更预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002322B1 (en) * | 2017-04-06 | 2018-06-19 | The Boston Consulting Group, Inc. | Systems and methods for predicting transactions |
US10013640B1 (en) * | 2015-12-21 | 2018-07-03 | Google Llc | Object recognition from videos using recurrent neural networks |
CN108363690A (zh) * | 2018-02-08 | 2018-08-03 | 北京十三科技有限公司 | 基于神经网络的对话语义意图预测方法及学习训练方法 |
CN109685240A (zh) * | 2018-10-24 | 2019-04-26 | 国网浙江省电力有限公司 | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
-
2019
- 2019-09-03 CN CN201910828025.3A patent/CN110569591B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10013640B1 (en) * | 2015-12-21 | 2018-07-03 | Google Llc | Object recognition from videos using recurrent neural networks |
US10002322B1 (en) * | 2017-04-06 | 2018-06-19 | The Boston Consulting Group, Inc. | Systems and methods for predicting transactions |
CN108363690A (zh) * | 2018-02-08 | 2018-08-03 | 北京十三科技有限公司 | 基于神经网络的对话语义意图预测方法及学习训练方法 |
CN109685240A (zh) * | 2018-10-24 | 2019-04-26 | 国网浙江省电力有限公司 | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
TONG YIN ET AL: "Personalized Behavior Prediction with Encoder-to-Decoder Structure", 《IEEE》 * |
包晓安等: "基于LSTM的智能家居机器学习系统预测模型研究", 《浙江理工大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101557A (zh) * | 2020-08-18 | 2020-12-18 | 西北工业大学 | 一种基于crf-lstm算法的需求变更预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110569591B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Phillips | Quantifying and reporting uncertainty from systematic errors | |
Gillenwater | What is additionality | |
CN110971659A (zh) | 推荐消息的推送方法、装置及存储介质 | |
Srivastava et al. | Understanding the adoption and usage of data analytics and simulation among building energy management professionals: A nationwide survey | |
CN109558032B (zh) | 操作处理方法、装置以及计算机设备 | |
WO2019172848A1 (en) | Method and apparatus for predicting occurrence of an event to facilitate asset maintenance | |
WO2020036590A1 (en) | Evaluation and development of decision-making models | |
Gao et al. | Modeling the effort and learning ability of students in MOOCs | |
CN114222974B (zh) | 使用状态空间模型估计用户界面更改的处理影响 | |
CN111159241B (zh) | 一种点击转化预估方法及装置 | |
Yousef et al. | Dragonfly estimator: a hybrid software projects’ efforts estimation model using artificial neural network and Dragonfly algorithm | |
CN110569591B (zh) | 基于Bi-LSTM的敏捷开发需求变更预测方法 | |
Huang et al. | HEDF: a method for early forecasting software defects based on human error mechanisms | |
Juran et al. | Using worker personality and demographic information to improve system performance prediction | |
CN117216419B (zh) | 基于ai技术的数据分析方法 | |
Wei et al. | Sequential recommendation based on long-term and short-term user behavior with self-attention | |
US20220114472A1 (en) | Systems and methods for generating machine learning-driven telecast forecasts | |
CN110348577B (zh) | 一种基于融合认知计算的知识跟踪方法 | |
Jokinen et al. | Bayesian parameter inference for cognitive simulators | |
Saif | Software Effort Estimation for Successful Software Application Development | |
Kleinwaks et al. | Probabilistic Enhancement to the LEAP Process for Identifying Technical Debt in Iterative System Development | |
Naeni et al. | Modeling Uncertainty in Evaluating the Project Performance | |
Hund | Using causal models to analyze imperfect data. | |
CN111859099B (zh) | 基于强化学习的推荐方法、装置、终端以及存储介质 | |
US20240028935A1 (en) | Context-aware prediction and recommendation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |