CN113222300B - 产品改造数据的处理方法、装置、可读介质以及设备 - Google Patents
产品改造数据的处理方法、装置、可读介质以及设备 Download PDFInfo
- Publication number
- CN113222300B CN113222300B CN202110661849.3A CN202110661849A CN113222300B CN 113222300 B CN113222300 B CN 113222300B CN 202110661849 A CN202110661849 A CN 202110661849A CN 113222300 B CN113222300 B CN 113222300B
- Authority
- CN
- China
- Prior art keywords
- target
- product
- target product
- requirement
- demand
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012986 modification Methods 0.000 title claims description 52
- 230000004048 modification Effects 0.000 title claims description 52
- 238000012545 processing Methods 0.000 title claims description 34
- 238000011981 development test Methods 0.000 claims abstract description 114
- 230000009466 transformation Effects 0.000 claims abstract description 70
- 238000002407 reforming Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims description 68
- 238000003062 neural network model Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 39
- 238000011161 development Methods 0.000 claims description 21
- 230000006872 improvement Effects 0.000 claims description 17
- 230000003993 interaction Effects 0.000 claims description 16
- 230000002452 interceptive effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000009420 retrofitting Methods 0.000 claims 1
- 238000003672 processing method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 6
- 238000012827 research and development Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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"
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种产品改造数据的处理方法、装置、可读介质以及设备，该方法针对每一个目标产品，将目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对目标需求进行改造时的改造难度以及历史迭代交付准确率输入至迭代速度模型中，得到并输出预测迭代速度；针对每一个目标产品，将目标产品针对所述目标需求进行改造时所需的工作量和针对目标需求进行改造时的改造能力投入情况输入至产能模型中，得到并输出预测产能；根据目标产品的预测迭代速度、预测产能、以及针对目标需求进行改造时所需的工作量，确定出目标产品的开发测试时长，本申请能够按照目标产品的开发测试时长来制定相应的研发工作计划，提高了目标产品的研发效率。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种产品改造数据的处理方法、装置、可读介质以及设备。
背景技术
现有技术中，同一个公司所研发的多个产品通常由不同研发部门的人来负责。为了应对快速变化的市场需求，研发部门通常采用敏捷开发模式来快速更新自身所负责的产品。由于同一个公司所研发的多个产品之间通常具有一定的关联性，即当某一个产品为了满足新需求需要改造功能时，其他产品往往也需要进行相应的改造，而在各个相关联的产品均完成自身的改造功能的开发测试后，各个相关联的产品还需共同进行测试联调，以保障各个关联的产品可满足新需求。
然而，针对同一个新需求，多个相关联的产品使用敏捷开发模式进行更新迭代的速度可能是不相同的，即每一个相关联的产品完成自身功能开发测试的时间可能是互不不同的。由于各个部门也不清楚自身功能测试可能需花费的时间，最终导致到了约定好的测试联调的时间时，个别更新迭代速度较慢的部门仍未完成自身的功能开发测试，只能重新约定新的测试联调时间。由于测试联调时间更改，多个相关联的产品可能无法按照规定时间上线，各个部门的研发工作计划也被打乱，影响了产品的研发效率。
发明内容
基于上述现有技术的不足，本申请提出了一种产品改造数据的处理方法、装置、可读介质以及设备，以实现预测出针对目标需求进行改造所需的开发测试时长。
本申请第一方面公开了一种产品改造数据的处理方法，包括：
针对每一个目标产品，将所述目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对所述目标需求进行改造时的改造难度以及历史迭代交付准确率输入至迭代速度模型中，得到并输出所述目标产品针对所述目标需求的预测迭代速度；其中，所述迭代速度模型由每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对所述历史需求进行改造时的改造难度以及针对所述历史需求的实际迭代速度对神经网络模型进行训练得到；
针对每一个所述目标产品，将所述目标产品针对所述目标需求进行改造时所需的工作量和针对所述目标需求进行改造时的改造能力投入情况输入至产能模型中，得到并输出所述目标产品针对所述目标需求的预测产能；其中，所述产能模型由每一个所述产品针对所述历史需求进行改造时所需的工作量、针对所述历史需求进行改造时的改造能力投入情况、以及针对所述历史需求的实际产能对神经网络模型进行训练得到；
针对每一个所述目标产品，根据所述目标产品针对所述目标需求进行改造时的预测迭代速度、针对所述目标需求进行改造时的预测产能、以及针对所述目标需求进行改造时所需的工作量，确定出所述目标产品针对所述目标需求的开发测试时长；其中，每一个所述目标产品针对所述目标需求的开发测试时长用于确定出所有所述目标产品针对所述目标需求的共同联调测试时间。
可选地，在上述产品改造数据的处理方法中，所述针对每一个所述目标产品，根据所述目标产品针对所述目标需求进行改造时的预测迭代速度、针对所述目标需求进行改造时的预测产能、以及针对所述目标需求进行改造时所需的工作量，确定出所述目标产品针对所述目标需求的开发测试时长之后，还包括：
利用目标上线时间和每一个所述目标产品针对所述目标需求进行改造时的开发测试时长，确定出针对所述目标需求的最迟测试联调时间；其中，所述目标上线时间为所有所述目标产品针对所述目标需求进行改造完成之后共同约定好的产品上线时间。
可选地，在上述产品改造数据的处理方法中，所述利用目标上线时间和每一个所述目标产品针对所述目标需求进行改造时的开发测试时长，确定出针对所述目标需求的最迟测试联调时间，包括：
从每一个所述目标产品针对所述目标需求进行改造时的开发测试时长中，筛选出最大开发测试时长；
将目标上线时间减去所述最大开发测试时长，计算得到针对所述目标需求的最迟测试联调时间。
可选地，在上述产品改造数据的处理方法中，所述针对每一个所述目标产品，根据所述目标产品针对所述目标需求进行改造时的预测迭代速度、针对所述目标需求进行改造时的预测产能、以及针对所述目标需求进行改造时所需的工作量，确定出所述目标产品针对所述目标需求的开发测试时长，包括：
针对每一个所述目标产品，将所述目标产品针对所述目标需求进行改造时所需的工作量除以所述目标产品针对所述目标需求进行改造时的预测迭代速度与针对所述目标需求进行改造时的预测产能的乘积，计算得到所述目标产品针对所述目标需求的开发测试时长。
可选地，在上述产品改造数据的处理方法中，所述针对每一个所述目标产品，根据所述目标产品针对所述目标需求进行改造时的预测迭代速度、针对所述目标需求进行改造时的预测产能、以及针对所述目标需求进行改造时所需的工作量，确定出所述目标产品针对所述目标需求的开发测试时长，包括：
针对每一个所述目标产品，若所述目标产品针对所述目标需求所进行的改造不涉及与其他目标产品之间的交互，则将所述目标产品针对所述目标需求进行改造时所需的工作量除以所述目标产品针对所述目标需求进行改造时的预测迭代速度与针对所述目标需求进行改造时的预测产能的乘积，计算得到所述目标产品针对所述目标需求的开发测试时长；
若所述目标产品针对所述目标需求所进行的改造涉及与其他目标产品之间的交互，则将所述目标产品针对所述目标需求进行改造时所需的工作量除以所述目标产品针对所述目标需求进行改造时的预测迭代速度与针对所述目标需求进行改造时的预测产能的乘积，计算得到所述目标产品的原始开发测试时长；
将所述目标产品的原始开发测试时长乘上所述目标产品针对所述目标需求进行改造时对应的权重值，计算得到所述目标产品针对所述目标需求的开发测试时长；其中，所述目标产品针对所述目标需求进行改造时对应的权重值由所述目标产品针对所述目标需求所涉及到的与其他目标产品之间的交互改造的技术难度进行设定。
可选地，在上述产品改造数据的处理方法中，所述目标产品针对目标需求进行改造时的准备情况，包括：所述目标产品针对目标需求进行改造时的开发人员个数、测试人员个数、迭代数据的准备情况、以及迭代环境的准备情况中的至少一种；
所述目标产品针对所述目标需求进行改造时的改造难度，包括：所述目标产品针对所述目标需求进行改造时所需改造的每一个功能点的改造难度；
所述目标产品针对所述目标需求进行改造时的改造能力投入情况，包括：
所述目标产品针对所述目标需求进行改造时对每一类开发技能所投入的技术人员人数、对每一类测试技能所投入的技术人员人数、以及对测试环境所投入的测试设备中的至少一种。
可选地，在上述产品改造数据的处理方法中，所述迭代速度模型的构建方法，包括：
构建产品训练数据集；其中，所述产品训练数据集，包括：每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对所述历史需求进行改造时的改造难度以及针对所述历史需求的实际迭代速度；
将所述产品训练数据集中的每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、以及针对所述历史需求进行改造时的改造难度输入至神经网络模型中，得到并输出每一个所述产品针对所述历史需求的预测迭代速度；
利用每一个所述产品针对所述历史需求的预测迭代速度与所述产品针对所述历史需求的实际迭代速度之间的误差，对神经网络模型的权重和阈值不断进行调整，直至调整后的神经网络模型所输出的每一个所述产品针对所述历史需求的预测迭代速度与所述产品针对所述历史需求的实际迭代速度之间的误差满足收敛条件，将所述调整后的神经网络模型作为所述迭代速度模型。
本申请第二方面公开了一种产品改造数据的处理装置，包括：
第一预测单元，用于针对每一个目标产品，将所述目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对所述目标需求进行改造时的改造难度以及历史迭代交付准确率输入至迭代速度模型中，得到并输出所述目标产品针对所述目标需求的预测迭代速度；其中，所述迭代速度模型由每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对所述历史需求进行改造时的改造难度以及针对所述历史需求的实际迭代速度对神经网络模型进行训练得到；
第二预测单元，用于针对每一个所述目标产品，将所述目标产品针对所述目标需求进行改造时所需的工作量和针对所述目标需求进行改造时的改造能力投入情况输入至产能模型中，得到并输出所述目标产品针对所述目标需求的预测产能；其中，所述产能模型由每一个所述产品针对所述历史需求进行改造时所需的工作量、针对所述历史需求进行改造时的改造能力投入情况、以及针对所述历史需求的实际产能对神经网络模型进行训练得到；
第一确定单元，用于针对每一个所述目标产品，根据所述目标产品针对所述目标需求进行改造时的预测迭代速度、针对所述目标需求进行改造时的预测产能、以及针对所述目标需求进行改造时所需的工作量，确定出所述目标产品针对所述目标需求的开发测试时长；其中，每一个所述目标产品针对所述目标需求的开发测试时长用于确定出所有所述目标产品针对所述目标需求的共同联调测试时间。
可选地，在上述产品改造数据的处理装置中，还包括：
第二确定单元，用于利用目标上线时间和每一个所述目标产品针对所述目标需求进行改造时的开发测试时长，确定出针对所述目标需求的最迟测试联调时间；其中，所述目标上线时间为所有所述目标产品针对所述目标需求进行改造完成之后共同约定好的产品上线时间。
可选地，在上述产品改造数据的处理装置中，所述第二确定单元，包括：
筛选单元，用于从每一个所述目标产品针对所述目标需求进行改造时的开发测试时长中，筛选出最大开发测试时长；
第一计算单元，用于将目标上线时间减去所述最大开发测试时长，计算得到针对所述目标需求的最迟测试联调时间。
可选地，在上述产品改造数据的处理装置中，所述第一确定单元，包括：
第一计算子单元，用于针对每一个所述目标产品，将所述目标产品针对所述目标需求进行改造时所需的工作量除以所述目标产品针对所述目标需求进行改造时的预测迭代速度与针对所述目标需求进行改造时的预测产能的乘积，计算得到所述目标产品针对所述目标需求的开发测试时长。
可选地，在上述产品改造数据的处理装置中，所述第一确定单元，包括：
第二计算子单元，用于针对每一个所述目标产品，若所述目标产品针对所述目标需求所进行的改造不涉及与其他目标产品之间的交互，则将所述目标产品针对所述目标需求进行改造时所需的工作量除以所述目标产品针对所述目标需求进行改造时的预测迭代速度与针对所述目标需求进行改造时的预测产能的乘积，计算得到所述目标产品针对所述目标需求的开发测试时长；
第三计算子单元，用于若所述目标产品针对所述目标需求所进行的改造涉及与其他目标产品之间的交互，则将所述目标产品针对所述目标需求进行改造时所需的工作量除以所述目标产品针对所述目标需求进行改造时的预测迭代速度与针对所述目标需求进行改造时的预测产能的乘积，计算得到所述目标产品的原始开发测试时长；
第四计算子单元，用于将所述目标产品的原始开发测试时长乘上所述目标产品针对所述目标需求进行改造时对应的权重值，计算得到所述目标产品针对所述目标需求的开发测试时长；其中，所述目标产品针对所述目标需求进行改造时对应的权重值由所述目标产品针对所述目标需求所涉及到的与其他目标产品之间的交互改造的技术难度进行设定。
可选地，在上述产品改造数据的处理装置中，所述目标产品针对目标需求进行改造时的准备情况，包括：所述目标产品针对目标需求进行改造时的开发人员个数、测试人员个数、迭代数据的准备情况、以及迭代环境的准备情况中的至少一种；
所述目标产品针对所述目标需求进行改造时的改造难度，包括：所述目标产品针对所述目标需求进行改造时所需改造的每一个功能点的改造难度；
所述目标产品针对所述目标需求进行改造时的改造能力投入情况，包括：
所述目标产品针对所述目标需求进行改造时对每一类开发技能所投入的技术人员人数、对每一类测试技能所投入的技术人员人数、以及对测试环境所投入的测试设备中的至少一种。
可选地，在上述产品改造数据的处理装置中，还包括：
第一构建单元，用于构建产品训练数据集；其中，所述产品训练数据集，包括：每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对所述历史需求进行改造时的改造难度以及针对所述历史需求的实际迭代速度；
第一输出单元，用于将所述产品训练数据集中的每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、以及针对所述历史需求进行改造时的改造难度输入至神经网络模型中，得到并输出每一个所述产品针对所述历史需求的预测迭代速度；
第一调整单元，用于利用每一个所述产品针对所述历史需求的预测迭代速度与所述产品针对所述历史需求的实际迭代速度之间的误差，对神经网络模型的权重和阈值不断进行调整，直至调整后的神经网络模型所输出的每一个所述产品针对所述历史需求的预测迭代速度与所述产品针对所述历史需求的实际迭代速度之间的误差满足收敛条件，将所述调整后的神经网络模型作为所述迭代速度模型。
本申请第三方面公开了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述第一方面中任一所述的方法。
本申请第四方面公开了一种产品改造数据的处理设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述第一方面中任一所述的方法。
从上述技术方案可以看出，本申请实施例提出的产品改造数据的处理方法中，能够针对每一个目标产品，将目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对目标需求进行改造时的改造难度以及历史迭代交付准确率输入至迭代速度模型中，得到并输出目标产品针对目标需求的预测迭代速度。又针对每一个目标产品，将目标产品针对目标需求进行改造时所需的工作量和针对目标需求进行改造时的改造能力投入情况输入至产能模型中，得到并输出目标产品针对所述目标需求的预测产能。由于本申请中能够针对每一个目标产品，根据目标产品针对所述目标需求进行改造时的预测迭代速度、针对目标需求进行改造时的预测产能、以及针对目标需求进行改造时所需的工作量，确定出目标产品针对目标需求的开发测试时长，进而能够实现使用每一个目标产品针对目标需求的开发测试时长来确定出所有目标产品针对目标需求的共同联调测试时间，保障所有目标产品在共同联调测试时间之前能够完成自身的功能改造开发测试，使得所有目标产品能够在规定时间上线，能够按照目标产品针对目标需求的开发测试时长来制定相应的研发工作计划，提高了目标产品的研发效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提出的一种产品改造数据的处理方法的流程示意图；
图2为本申请实施例提出的一种迭代速度模型的构建方法的流程示意图；
图3为本申请实施例提出的一种产能模型的构建方法的流程示意图；
图4为本申请实施例提出的一种开发测试时长的计算方法的流程示意图；
图5为本申请实施例提出的另一种开发测试时长的计算方法的流程示意图；
图6为本申请实施例提出的一种产品改造数据的处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，本申请实施例公开了一种产品改造数据的处理方法，具体包括以下步骤：
S101、针对每一个目标产品，将目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对目标需求进行改造时的改造难度以及历史迭代交付准确率输入至迭代速度模型中，得到并输出目标产品针对目标需求的预测迭代速度。
其中，迭代速度模型由每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对历史需求进行改造时的改造难度以及针对历史需求的实际迭代速度对神经网络模型进行训练得到。
目标产品指的是针对目标需求需要进行改造的产品。为了满足用户的目标需求，所需改造的目标产品可能会有一个或者多个。举例说明，目标需求为在手机银行产品A上线一个缴学费的功能，将学校看做商户，学生通过目标产品A查到学校信息，输入学号和姓名进行学费的缴纳，使用绑定的银行卡进行支付。而处理账务划转和清算的产品C就需要相应的做出扣学生账并通知外围系统进行对账和异常处理的改造。处理日常生活缴费的产品P则需要新增处理商户信息和客户信息的交互改造，还需要通知产品C扣客户账，并将扣的款转账到学校账户中，并将账务信息流水给后线产品F。产品F进而需要上线一个与学校系统对接的分行商户财务报表功能，以便统计该分行每个商户的交易金额和下面支行营销的分润情况。
目标产品的迭代速度是单位时间内可开发测试的目标产品的功能点的个数。虽然针对目标需求需要进行改造的目标产品可能有多个，但每一个目标产品针对该目标需求进行改造时的难易程度、准备情况等不一样，造成每一个目标产品在进行改造时的迭代速度也不一样。即有的目标产品改造较快，有的目标产品改造较慢。
而本申请实施例中，为了预测目标产品的迭代速度，针对每一个目标产品，将会影响到针对目标需求进行改造时的迭代速度的因素均输入到迭代速度模型中，由迭代速度模型输出目标产品针对目标需求的预测迭代速度。其中，会影响到针对目标需求进行改造时的迭代速度的因素有目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对目标需求进行改造时的改造难度以及历史迭代交付准确率。
目标产品的历史迭代速度可以使用目标产品在多次针对历史需求进行改造时的迭代速度求平均值得到，也可以是使用目标产品在多次针对历史需求进行改造时的迭代速度中的中位数来作为目标产品的历史迭代速度。目标产品的历史迭代速度是代表着目标产品历史改造过程中的迭代速度的值，计算目标产品的历史迭代速度的方式有很多，包括但不限于本申请实施例所提出的内容。
目标产品针对目标需求进行改造时的准备情况指的是目标产品针对目标需求进行改造时准备的充分程度。例如对目标产品进行开发测试的工作人员准备了多少，对目标产品进行开发测试时所使用的迭代数据准备了多少等等。可选地，目标产品针对目标需求进行改造时的准备情况，包括：目标产品针对目标需求进行改造时的开发人员个数、测试人员个数、迭代数据的准备情况、以及迭代环境的准备情况中的至少一种。
可选地，目标产品针对目标需求进行改造时的改造难度可以包括：目标产品针对目标需求进行改造时所需改造的每一个功能点的改造难度。目标产品针对目标需求进行改造时的改造难度可以由工作人员依据实际情况评估得到。
目标产品的历史迭代交付准确率指的是目标产品完成改造上线后的准确率。上线后目标产品被发现的错误率较高，那么目标产品的历史迭代交付准确率较低。
目标产品针对目标需求的预测迭代速度指的是迭代速度模型所预测出的目标产品针对目标需求进行改造时的迭代速度。
需要说明的是，可输入到迭代速度模型中的、会影响到针对目标需求进行改造时的迭代速度的因素有很多，包括但不限于本申请实施例所提出的内容。
可选地，参阅图2，在本申请一具体实施例中，迭代速度模型的构建方法，包括：
S201、构建产品训练数据集。
其中产品训练数据集，包括：每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对历史需求进行改造时的改造难度以及针对历史需求的实际迭代速度。
产品训练数据集中的数据越多样本越丰富，所训练得到的迭代速度模型的预测准确率越高。
S202、将产品训练数据集中的每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、以及针对历史需求进行改造时的改造难度输入至神经网络模型中，得到并输出每一个产品针对历史需求的预测迭代速度。
S203、利用每一个产品针对历史需求的预测迭代速度与产品针对历史需求的实际迭代速度之间的误差，对神经网络模型的权重和阈值不断进行调整，直至调整后的神经网络模型所输出的每一个产品针对历史需求的预测迭代速度与产品针对历史需求的实际迭代速度之间的误差满足收敛条件，将调整后的神经网络模型作为迭代速度模型。
神经网络模型所输出的产品针对历史需求的预测迭代速度与产品针对历史需求的实际迭代速度之间存在误差，通过对神经网络模型的权重和阈值不断进行调整，可以使得产品针对历史需求的预测迭代速度与产品针对历史需求的实际迭代速度之间的误差不断减小，直到调整后的神经网络模型所输出的每一个产品针对历史需求的预测迭代速度与产品针对历史需求的实际迭代速度之间的误差满足收敛条件，则认为调整后的神经网络模型所输出的预测迭代速度足够准确，进而可将调整后的神经网络模型作为迭代速度模型。
S102、针对每一个目标产品，将目标产品针对目标需求进行改造时所需的工作量和针对目标需求进行改造时的改造能力投入情况输入至产能模型中，得到并输出目标产品针对目标需求的预测产能。
其中，产能模型由每一个产品针对历史需求进行改造时所需的工作量、针对历史需求进行改造时的改造能力投入情况、以及针对历史需求的实际产能对神经网络模型进行训练得到。产能代表着实际可付出的时间与实际需付出的时间的比值。
目标产品针对目标需求进行改造时所需的工作量可以以一个人对目标产品针对目标需求进行改造时所需花费的时间来表示，也可以以其他的形式来表示工作量。
目标产品针对目标需求进行改造时的改造能力投入情况指的是目标产品针对目标需求进行改造时可提供的改造能力的多少，例如，投入了具有哪些开发技能的人员，所投入的开发技能人员的类型越丰富，改造能力也就越强，投入的开发技能人员的人数越多，那么改造能力也就越强。目标产品针对目标需求进行改造时的改造能力投入情况越好，即改造能力越强，那么产能也会越高。而针对目标需求进行改造时所需的工作量越大，则产能会越低。因此，产能模型能够通过输入至模型中的目标产品针对所述目标需求进行改造时所需的工作量和针对所述目标需求进行改造时的改造能力投入情况，得到目标产品针对目标需求的预测产能。
目标产品针对目标需求进行改造时所需的工作量和针对目标需求进行改造时的改造能力投入情况均属于影响产能的因素，因此使用这两个因素所训练出来的产能模型具有预测产能的能力。需要说明的是，影响产能的因素包括但不限于本申请实施例所提出的内容。
可选地，在本申请一具体实施例中，目标产品针对所述目标需求进行改造时的改造能力投入情况，包括：目标产品针对目标需求进行改造时对每一类开发技能所投入的技术人员人数、对每一类测试技能所投入的技术人员人数、以及对测试环境所投入的测试设备中的至少一种。
可选地，参阅图3，在本申请一具体实施例中，产能模型的构建方法，包括：
S301、构建产品改造训练数据集。
其中产品改造训练数据集，包括：每一个产品针对历史需求进行改造时所需的工作量、针对历史需求进行改造时的改造能力投入情况、以及针对历史需求的实际产能。
产品改造训练数据集中的数据越多样本越丰富，所训练得到的产能模型的预测准确率越高。
S302、将产品改造训练数据集中的一个产品针对历史需求进行改造时所需的工作量和针对历史需求进行改造时的改造能力投入情况输入至神经网络模型中，得到并输出每一个产品针对历史需求的预测产能。
S303、利用每一个产品针对历史需求的预测产能与产品针对历史需求的实际产能之间的误差，对神经网络模型的权重和阈值不断进行调整，直至调整后的神经网络模型所输出的每一个产品针对历史需求的预测产能与产品针对历史需求的实际产能之间的误差满足收敛条件，将调整后的神经网络模型作为产能模型。
神经网络模型所输出的产品针对历史需求的预测产能与产品针对历史需求的实际产能之间存在误差，通过对神经网络模型的权重和阈值不断进行调整，可以使得产品针对历史需求的预测产能与产品针对历史需求的实际产能之间的误差不断减小，直到调整后的神经网络模型所输出的每一个产品针对历史需求的预测产能与产品针对历史需求的实际产能之间的误差满足收敛条件，则认为调整后的神经网络模型所输出的预测产能足够准确，进而可将调整后的神经网络模型作为产能模型。
需要说明的是，执行步骤S101和执行步骤S102的先后顺序并不影响本申请实施例的实现。
S103、针对每一个目标产品，根据目标产品针对目标需求进行改造时的预测迭代速度、针对目标需求进行改造时的预测产能、以及针对目标需求进行改造时所需的工作量，确定出目标产品针对目标需求的开发测试时长。
其中，每一个目标产品针对目标需求的开发测试时长用于确定出所有目标产品针对目标需求的共同联调测试时间。
针对每一个目标产品，该目标产品针对目标需求的开发测试时长指的是目标产品针对目标需求进行改造时开发功能和测试功能所需花费的时长。目标产品针对目标需求的开发测试时长由目标产品针对目标需求进行改造时的预测迭代速度、针对目标需求进行改造时的预测产能、以及针对目标需求进行改造时所需的工作量所确定。预测迭代速度越大、预测产能越高、针对目标需求进行改造时所需的工作量越小，则开发测试时长就会越短。
每一个目标产品确定出针对目标需求的开发测试时长，即可根据当前的工作计划安排情况，结合每一个目标产品确定出针对目标需求的开发测试时长，商定出一个所有目标产品针对目标需求的共同联调测试时间，以保障在所有目标产品针对目标需求的共同联调测试时间之前所有目标产品均能够完成开发测试。
所有目标产品针对目标需求的共同联调测试时间是在所有目标产品完成自身的开发测试后，一起进行联调测试，看是否能够满足目标需求的时间。由于每一个目标产品均知道自身的针对目标需求的开发测试时长，再结合当前负责目标产品的部门的工作计划安排，即可知道该目标产品大概可在什么时间完成开发测试。进而可以协调出一个所有目标产品均能够保障完成自身开发测试任务之后的时间点，作为所有目标产品针对目标需求的共同联调测试时间。
现有技术中，多个产品的负责部门协调测试联调时间时主要依据各个部门自身的经验，导致最终有些部门在到了约定好的测试联调时间后，却没有完成产品自身的开发测试，只能够重新商定新的测试联调时间，导致多个产品无法按照规定时间上线。而本申请实施例中，由于能够使用产能模型预测目标产品针对目标需求的预测产能，又能够使用迭代速度模型预测目标产品针对目标需求的预测迭代速度，因此能够根据目标产品针对所述目标需求进行改造时的预测迭代速度、针对目标需求进行改造时的预测产能、以及针对目标需求进行改造时所需的工作量，确定出目标产品针对所述目标需求的开发测试时长。而由于各个目标产品均预测出了自身的开发测试时长，进而能够将每一个目标产品针对目标需求的开发测试时长用于确定出所有目标产品针对目标需求的共同联调测试时间，使用每一个目标产品针对目标需求的开发测试时长所确定出的所有目标产品针对目标需求的共同联调测试时间，能够保障所有目标产品均能保障自身在共同联调测试时间完成开发测试，进而也就保障了所有目标产品能在规定的上线时间准时上线，不会打乱各个产品部门的工作计划，不会影响到各部门的研发效率。
可选地，在本申请一具体实施例中，执行步骤S103的一种实施方式，包括：
针对每一个目标产品，将目标产品针对目标需求进行改造时所需的工作量除以目标产品针对目标需求进行改造时的预测迭代速度与针对目标需求进行改造时的预测产能的乘积，计算得到目标产品针对目标需求的开发测试时长。
可选地，参阅图4，在本申请一具体实施例中，执行步骤S103的另一种实施方式，包括：
S401、针对每一个目标产品，若目标产品针对目标需求所进行的改造不涉及与其他目标产品之间的交互，则将目标产品针对目标需求进行改造时所需的工作量除以目标产品针对目标需求进行改造时的预测迭代速度与针对目标需求进行改造时的预测产能的乘积，计算得到目标产品针对目标需求的开发测试时长。
若目标产品针对目标需求所进行的改造不涉及与其他目标产品之间的交互，则在计算目标产品针对目标需求的开发测试时长时，不需要考虑到目标产品在进行交互改造时所需花费的开发测试时长，因此目标产品针对目标需求的开发测试时长只与目标产品针对目标需求进行改造时所需的工作量、目标产品针对目标需求进行改造时的预测迭代速度以及针对目标需求进行改造时的预测产能相关，通过将目标产品针对目标需求进行改造时所需的工作量除以目标产品针对目标需求进行改造时的预测迭代速度与针对目标需求进行改造时的预测产能的乘积，即可计算得到目标产品针对目标需求的开发测试时长。
具体的，在获取到目标需求后，首先对所有产品针对目标需求进行改造分析，分析出需要针对目标需求进行改造的所有目标产品，以及改造过程中涉及到的目标产品之间的接口交互等方面的交互改造。然后针对每一个目标产品，查看该目标产品是否被分析出需要进行交互改造，如果不涉及，则将目标产品针对目标需求进行改造时所需的工作量除以目标产品针对目标需求进行改造时的预测迭代速度与针对目标需求进行改造时的预测产能的乘积，计算得到目标产品针对目标需求的开发测试时长。
S402、若目标产品针对目标需求所进行的改造涉及与其他目标产品之间的交互，则将目标产品针对所述目标需求进行改造时所需的工作量除以目标产品针对目标需求进行改造时的预测迭代速度与针对目标需求进行改造时的预测产能的乘积，计算得到目标产品的原始开发测试时长。
如果目标产品针对目标需求所进行的改造涉及与其他目标产品之间的交互，那么计算目标产品的开发测试时长时，就还需要考虑到交互改造所占用的开发测试时长了。首先先将目标产品针对所述目标需求进行改造时所需的工作量除以目标产品针对目标需求进行改造时的预测迭代速度与针对目标需求进行改造时的预测产能的乘积，计算得到目标产品的原始开发测试时长，目标产品的原始开发测试时长是在不考虑目标产品在交互改造上的用时时所计算出的开发测试时长。
S403、将目标产品的原始开发测试时长乘上目标产品针对目标需求进行改造时对应的权重值，计算得到目标产品针对目标需求的开发测试时长。
其中，目标产品针对目标需求进行改造时对应的权重值由目标产品针对目标需求所涉及到的与其他目标产品之间的交互改造的技术难度进行设定。具体的，可以在对目标产品的交互改造分析出的技术难度等级，然后将分析出的技术难度等级所对应的权重确定为目标产品针对目标需求进行改造时对应的权重值。交互改造的技术难度越大，目标产品针对目标需求进行改造时对应的权重值越大。
可选地，在本申请一具体实施例中，执行步骤S103之后，还包括：
利用目标上线时间和每一个目标产品针对目标需求进行改造时的开发测试时长，确定出针对目标需求的最迟测试联调时间。
其中，目标上线时间为所有目标产品针对目标需求进行改造完成之后共同约定好的产品上线时间。最迟测试联调时间需在目标上线时间之前，且需保障在最迟联调时间之前每一个目标产品均完成了针对目标需求所需的开发测试。因此，通过目标上线时间和每一个目标产品针对目标需求进行改造时的开发测试时长，可以确定出针对目标需求的最迟测试联调时间，晚于最迟测试联调时间做测试联调，就可能会有不能按照目标上线时间共同上线所有目标产品的风险。
可选地，参阅图5，在本申请一具体实施例中，利用目标上线时间和每一个所述目标产品针对所述目标需求进行改造时的开发测试时长，确定出针对所述目标需求的最迟测试联调时间，包括：
S501、从每一个目标产品针对目标需求进行改造时的开发测试时长中，筛选出最大开发测试时长。
S502、将目标上线时间减去最大开发测试时长，计算得到针对目标需求的最迟测试联调时间。
通过步骤S502所得到的最迟测试联调时间，能够保障即使在最迟测试联调时间进行测试联调时，有目标产品测试出了故障，那目标产品仍然有时间进行重新开发测试调整，保障在目标上线时间能够按时上线。
本申请实施例提出的产品改造数据的处理方法中，能够针对每一个目标产品，将目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对目标需求进行改造时的改造难度以及历史迭代交付准确率输入至迭代速度模型中，得到并输出目标产品针对目标需求的预测迭代速度。又针对每一个目标产品，将目标产品针对目标需求进行改造时所需的工作量和针对目标需求进行改造时的改造能力投入情况输入至产能模型中，得到并输出目标产品针对所述目标需求的预测产能。由于本申请中能够针对每一个目标产品，根据目标产品针对所述目标需求进行改造时的预测迭代速度、针对目标需求进行改造时的预测产能、以及针对目标需求进行改造时所需的工作量，确定出目标产品针对目标需求的开发测试时长，进而能够实现使用每一个目标产品针对目标需求的开发测试时长来确定出所有目标产品针对目标需求的共同联调测试时间，保障所有目标产品在共同联调测试时间之前能够完成自身的功能改造开发测试，使得所有目标产品能够在规定时间上线，能够按照目标产品针对目标需求的开发测试时长来制定相应的研发工作计划，提高了目标产品的研发效率。
参阅图6，基于上述本申请实施例提出的产品改造数据的处理方法，本申请实施例对应公开了一种产品改造数据的处理装置，包括：第一预测单元601、第二预测单元602、以及第一确定单元603。
第一预测单元601，用于针对每一个目标产品，将目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对目标需求进行改造时的改造难度以及历史迭代交付准确率输入至迭代速度模型中，得到并输出目标产品针对所述目标需求的预测迭代速度。其中，迭代速度模型由每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对历史需求进行改造时的改造难度以及针对历史需求的实际迭代速度对神经网络模型进行训练得到。
第二预测单元602，用于针对每一个目标产品，将目标产品针对目标需求进行改造时所需的工作量和针对目标需求进行改造时的改造能力投入情况输入至产能模型中，得到并输出目标产品针对所述目标需求的预测产能。其中，产能模型由每一个产品针对历史需求进行改造时所需的工作量、针对历史需求进行改造时的改造能力投入情况、以及针对历史需求的实际产能对神经网络模型进行训练得到。
第一确定单元603，用于针对每一个目标产品，根据目标产品针对目标需求进行改造时的预测迭代速度、针对目标需求进行改造时的预测产能、以及针对目标需求进行改造时所需的工作量，确定出目标产品针对目标需求的开发测试时长。其中，每一个目标产品针对目标需求的开发测试时长用于确定出所有目标产品针对目标需求的共同联调测试时间。
可选地，在本申请一具体实施例中，第一确定单元603，包括：
第一计算子单元，用于针对每一个目标产品，将目标产品针对目标需求进行改造时所需的工作量除以目标产品针对目标需求进行改造时的预测迭代速度与针对目标需求进行改造时的预测产能的乘积，计算得到目标产品针对目标需求的开发测试时长。
可选地，在本申请一具体实施例中，第一确定单元603，包括：
第二计算子单元，用于针对每一个目标产品，若目标产品针对目标需求所进行的改造不涉及与其他目标产品之间的交互，则将目标产品针对所述目标需求进行改造时所需的工作量除以目标产品针对目标需求进行改造时的预测迭代速度与针对目标需求进行改造时的预测产能的乘积，计算得到目标产品针对目标需求的开发测试时长。
第三计算子单元，用于若目标产品针对目标需求所进行的改造涉及与其他目标产品之间的交互，则将目标产品针对目标需求进行改造时所需的工作量除以目标产品针对目标需求进行改造时的预测迭代速度与针对目标需求进行改造时的预测产能的乘积，计算得到目标产品的原始开发测试时长。
第四计算子单元，用于将目标产品的原始开发测试时长乘上目标产品针对所述目标需求进行改造时对应的权重值，计算得到目标产品针对目标需求的开发测试时长。其中，目标产品针对目标需求进行改造时对应的权重值由目标产品针对目标需求所涉及到的与其他目标产品之间的交互改造的技术难度进行设定。
可选地，在本申请一具体实施例中，还包括：
第二确定单元，用于利用目标上线时间和每一个目标产品针对目标需求进行改造时的开发测试时长，确定出针对目标需求的最迟测试联调时间。其中，目标上线时间为所有目标产品针对所述目标需求进行改造完成之后共同约定好的产品上线时间。
可选地，在本申请一具体实施例中，第二确定单元，包括：
筛选单元，用于从每一个目标产品针对目标需求进行改造时的开发测试时长中，筛选出最大开发测试时长。
第一计算单元，用于将目标上线时间减去最大开发测试时长，计算得到针对目标需求的最迟测试联调时间。
可选地，在本申请一具体实施例中，目标产品针对目标需求进行改造时的准备情况，包括：目标产品针对目标需求进行改造时的开发人员个数、测试人员个数、迭代数据的准备情况、以及迭代环境的准备情况中的至少一种。目标产品针对目标需求进行改造时的改造难度，包括：目标产品针对所述目标需求进行改造时所需改造的每一个功能点的改造难度。目标产品针对所述目标需求进行改造时的改造能力投入情况，包括：目标产品针对目标需求进行改造时对每一类开发技能所投入的技术人员人数、对每一类测试技能所投入的技术人员人数、以及对测试环境所投入的测试设备中的至少一种。
可选地，在本申请一具体实施例中，还包括：
第一构建单元，用于构建产品训练数据集，其中，产品训练数据集，包括：每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对所述历史需求进行改造时的改造难度以及针对历史需求的实际迭代速度。
第一输出单元，用于将产品训练数据集中的每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、以及针对历史需求进行改造时的改造难度输入至神经网络模型中，得到并输出每一个产品针对历史需求的预测迭代速度。
第一调整单元，用于利用每一个产品针对历史需求的预测迭代速度与产品针对历史需求的实际迭代速度之间的误差，对神经网络模型的权重和阈值不断进行调整，直至调整后的神经网络模型所输出的每一个产品针对历史需求的预测迭代速度与产品针对历史需求的实际迭代速度之间的误差满足收敛条件，将调整后的神经网络模型作为迭代速度模型。
可选地，在本申请一具体实施例中，还包括：
第二构建单元，用于构建产品改造训练数据集。其中产品改造训练数据集，包括：每一个产品针对历史需求进行改造时所需的工作量、针对历史需求进行改造时的改造能力投入情况、以及针对历史需求的实际产能。
第二输出单元，用于将产品改造训练数据集中的一个产品针对历史需求进行改造时所需的工作量和针对历史需求进行改造时的改造能力投入情况输入至神经网络模型中，得到并输出每一个产品针对历史需求的预测产能。
第二调整单元，用于利用每一个产品针对历史需求的预测产能与产品针对历史需求的实际产能之间的误差，对神经网络模型的权重和阈值不断进行调整，直至调整后的神经网络模型所输出的每一个产品针对历史需求的预测产能与产品针对历史需求的实际产能之间的误差满足收敛条件，将调整后的神经网络模型作为产能模型。
上述本申请实施例公开的产品改造数据的处理装置中的具体的原理和执行过程，与上述本申请实施例公开的产品改造数据的处理方法相同，可参见上述本申请实施例公开的产品改造数据的处理方法中相应的部分，这里不再进行赘述。
本申请实施例提出的产品改造数据的处理装置中，第一预测单元601能够针对每一个目标产品，将目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对目标需求进行改造时的改造难度以及历史迭代交付准确率输入至迭代速度模型中，得到并输出目标产品针对目标需求的预测迭代速度。第二预测单元602又针对每一个目标产品，将目标产品针对目标需求进行改造时所需的工作量和针对目标需求进行改造时的改造能力投入情况输入至产能模型中，得到并输出目标产品针对所述目标需求的预测产能。由于本申请中第一确定单元603能够针对每一个目标产品，根据目标产品针对所述目标需求进行改造时的预测迭代速度、针对目标需求进行改造时的预测产能、以及针对目标需求进行改造时所需的工作量，确定出目标产品针对目标需求的开发测试时长，进而能够实现使用每一个目标产品针对目标需求的开发测试时长来确定出所有目标产品针对目标需求的共同联调测试时间，保障所有目标产品在共同联调测试时间之前能够完成自身的功能改造开发测试，使得所有目标产品能够在规定时间上线，能够按照目标产品针对目标需求的开发测试时长来制定相应的研发工作计划，提高了目标产品的研发效率。
本申请公开了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述各实施例中任一所述的产品改造数据的处理方法。
本申请公开了一种产品改造数据的处理设备，包括：一个或多个处理器，存储装置，其上存储有一个或多个程序。当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上述各实施例中任一所述的产品改造数据的处理方法。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种产品改造数据的处理方法，其特征在于，包括：
针对每一个目标产品，将所述目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对所述目标需求进行改造时的改造难度以及历史迭代交付准确率输入至迭代速度模型中，得到并输出所述目标产品针对所述目标需求的预测迭代速度；其中，所述迭代速度模型由每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对所述历史需求进行改造时的改造难度以及针对所述历史需求的实际迭代速度对神经网络模型进行训练得到；
针对每一个所述目标产品，将所述目标产品针对所述目标需求进行改造时所需的工作量和针对所述目标需求进行改造时的改造能力投入情况输入至产能模型中，得到并输出所述目标产品针对所述目标需求的预测产能；其中，所述产能模型由每一个所述产品针对所述历史需求进行改造时所需的工作量、针对所述历史需求进行改造时的改造能力投入情况、以及针对所述历史需求的实际产能对神经网络模型进行训练得到；
针对每一个所述目标产品，根据所述目标产品针对所述目标需求进行改造时的预测迭代速度、针对所述目标需求进行改造时的预测产能、以及针对所述目标需求进行改造时所需的工作量，确定出所述目标产品针对所述目标需求的开发测试时长；其中，每一个所述目标产品针对所述目标需求的开发测试时长用于确定出所有所述目标产品针对所述目标需求的共同联调测试时间；
所述针对每一个所述目标产品，根据所述目标产品针对所述目标需求进行改造时的预测迭代速度、针对所述目标需求进行改造时的预测产能、以及针对所述目标需求进行改造时所需的工作量，确定出所述目标产品针对所述目标需求的开发测试时长，包括：
针对每一个所述目标产品，若所述目标产品针对所述目标需求所进行的改造不涉及与其他目标产品之间的交互，则将所述目标产品针对所述目标需求进行改造时所需的工作量除以所述目标产品针对所述目标需求进行改造时的预测迭代速度与针对所述目标需求进行改造时的预测产能的乘积，计算得到所述目标产品针对所述目标需求的开发测试时长；
若所述目标产品针对所述目标需求所进行的改造涉及与其他目标产品之间的交互，则将所述目标产品针对所述目标需求进行改造时所需的工作量除以所述目标产品针对所述目标需求进行改造时的预测迭代速度与针对所述目标需求进行改造时的预测产能的乘积，计算得到所述目标产品的原始开发测试时长；
将所述目标产品的原始开发测试时长乘上所述目标产品针对所述目标需求进行改造时对应的权重值，计算得到所述目标产品针对所述目标需求的开发测试时长；其中，所述目标产品针对所述目标需求进行改造时对应的权重值由所述目标产品针对所述目标需求所涉及到的与其他目标产品之间的交互改造的技术难度进行设定。
2.根据权利要求1所述的方法，其特征在于，所述针对每一个所述目标产品，根据所述目标产品针对所述目标需求进行改造时的预测迭代速度、针对所述目标需求进行改造时的预测产能、以及针对所述目标需求进行改造时所需的工作量，确定出所述目标产品针对所述目标需求的开发测试时长之后，还包括：
利用目标上线时间和每一个所述目标产品针对所述目标需求进行改造时的开发测试时长，确定出针对所述目标需求的最迟测试联调时间；其中，所述目标上线时间为所有所述目标产品针对所述目标需求进行改造完成之后共同约定好的产品上线时间。
3.根据权利要求2所述的方法，其特征在于，所述利用目标上线时间和每一个所述目标产品针对所述目标需求进行改造时的开发测试时长，确定出针对所述目标需求的最迟测试联调时间，包括：
从每一个所述目标产品针对所述目标需求进行改造时的开发测试时长中，筛选出最大开发测试时长；
将目标上线时间减去所述最大开发测试时长，计算得到针对所述目标需求的最迟测试联调时间。
4.根据权利要求1所述的方法，其特征在于，所述目标产品针对目标需求进行改造时的准备情况，包括：所述目标产品针对目标需求进行改造时的开发人员个数、测试人员个数、迭代数据的准备情况、以及迭代环境的准备情况中的至少一种；
所述目标产品针对所述目标需求进行改造时的改造难度，包括：所述目标产品针对所述目标需求进行改造时所需改造的每一个功能点的改造难度；
所述目标产品针对所述目标需求进行改造时的改造能力投入情况，包括：
所述目标产品针对所述目标需求进行改造时对每一类开发技能所投入的技术人员人数、对每一类测试技能所投入的技术人员人数、以及对测试环境所投入的测试设备中的至少一种。
5.根据权利要求1所述的方法，其特征在于，所述迭代速度模型的构建方法，包括：
构建产品训练数据集；其中，所述产品训练数据集，包括：每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对所述历史需求进行改造时的改造难度以及针对所述历史需求的实际迭代速度；
将所述产品训练数据集中的每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、以及针对所述历史需求进行改造时的改造难度输入至神经网络模型中，得到并输出每一个所述产品针对所述历史需求的预测迭代速度；
利用每一个所述产品针对所述历史需求的预测迭代速度与所述产品针对所述历史需求的实际迭代速度之间的误差，对神经网络模型的权重和阈值不断进行调整，直至调整后的神经网络模型所输出的每一个所述产品针对所述历史需求的预测迭代速度与所述产品针对所述历史需求的实际迭代速度之间的误差满足收敛条件，将所述调整后的神经网络模型作为所述迭代速度模型。
6.一种产品改造数据的处理装置，其特征在于，包括：
第一预测单元，用于针对每一个目标产品，将所述目标产品的历史迭代速度、针对目标需求进行改造时的准备情况、针对所述目标需求进行改造时的改造难度以及历史迭代交付准确率输入至迭代速度模型中，得到并输出所述目标产品针对所述目标需求的预测迭代速度；其中，所述迭代速度模型由每一个产品的历史迭代速度、在针对历史需求进行改造时的准备情况、历史迭代交付准确率、针对所述历史需求进行改造时的改造难度以及针对所述历史需求的实际迭代速度对神经网络模型进行训练得到；
第二预测单元，用于针对每一个所述目标产品，将所述目标产品针对所述目标需求进行改造时所需的工作量和针对所述目标需求进行改造时的改造能力投入情况输入至产能模型中，得到并输出所述目标产品针对所述目标需求的预测产能；其中，所述产能模型由每一个所述产品针对所述历史需求进行改造时所需的工作量、针对所述历史需求进行改造时的改造能力投入情况、以及针对所述历史需求的实际产能对神经网络模型进行训练得到；
第一确定单元，用于针对每一个所述目标产品，根据所述目标产品针对所述目标需求进行改造时的预测迭代速度、针对所述目标需求进行改造时的预测产能、以及针对所述目标需求进行改造时所需的工作量，确定出所述目标产品针对所述目标需求的开发测试时长；其中，每一个所述目标产品针对所述目标需求的开发测试时长用于确定出所有所述目标产品针对所述目标需求的共同联调测试时间；
所述第一确定单元，包括：第二计算子单元、第三计算子单元以及第四计算子单元；
所述第二计算子单元，用于针对每一个所述目标产品，若所述目标产品针对所述目标需求所进行的改造不涉及与其他目标产品之间的交互，则将所述目标产品针对所述目标需求进行改造时所需的工作量除以所述目标产品针对所述目标需求进行改造时的预测迭代速度与针对所述目标需求进行改造时的预测产能的乘积，计算得到所述目标产品针对所述目标需求的开发测试时长；
所述第三计算子单元，用于若所述目标产品针对所述目标需求所进行的改造涉及与其他目标产品之间的交互，则将所述目标产品针对所述目标需求进行改造时所需的工作量除以所述目标产品针对所述目标需求进行改造时的预测迭代速度与针对所述目标需求进行改造时的预测产能的乘积，计算得到所述目标产品的原始开发测试时长；
所述第四计算子单元，用于将所述目标产品的原始开发测试时长乘上所述目标产品针对所述目标需求进行改造时对应的权重值，计算得到所述目标产品针对所述目标需求的开发测试时长；其中，所述目标产品针对所述目标需求进行改造时对应的权重值由所述目标产品针对所述目标需求所涉及到的与其他目标产品之间的交互改造的技术难度进行设定。
7.一种计算机可读介质，其特征在于，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
8.一种产品改造数据的处理设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110661849.3A CN113222300B (zh) | 2021-06-15 | 2021-06-15 | 产品改造数据的处理方法、装置、可读介质以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110661849.3A CN113222300B (zh) | 2021-06-15 | 2021-06-15 | 产品改造数据的处理方法、装置、可读介质以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222300A CN113222300A (zh) | 2021-08-06 |
| CN113222300B true CN113222300B (zh) | 2024-04-30 |
Family
ID=77080311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110661849.3A Active CN113222300B (zh) | 2021-06-15 | 2021-06-15 | 产品改造数据的处理方法、装置、可读介质以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222300B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116795330B (zh) * | 2023-08-25 | 2023-11-24 | 深圳市兴意腾科技电子有限公司 | 基于软件开发包的编译计算机存储软件开发方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001008004A2 (en) * | 1999-07-26 | 2001-02-01 | Accenture Llp | A system, method and article of manufacture for determining capability levels of a monitoring process area for process assessment purposes in an operational maturity investigation |
| EP1253536A1 (en) * | 2001-04-24 | 2002-10-30 | Kabushiki Kaisha Toshiba | Product development management system, product development management method, product reliability decision system and product reliability decision method |
| CN101963915A (zh) * | 2010-09-25 | 2011-02-02 | 中兴通讯股份有限公司 | 一种编译的构建方法及系统 |
| CN102103501A (zh) * | 2010-12-14 | 2011-06-22 | 中国科学院软件研究所 | 一种针对返工预测软件开发成本和执行时间的方法 |
| CN102799137A (zh) * | 2012-08-22 | 2012-11-28 | 国电联合动力技术有限公司 | 用于风电控制系统plc控制器软件跨平台移植的方法 |
| CN107070901A (zh) * | 2017-03-23 | 2017-08-18 | 山东爱泊客智能科技有限公司 | 一种智慧社区类软硬件一体开发者平台 |
| CN107315689A (zh) * | 2017-07-04 | 2017-11-03 | 上海爱数信息技术股份有限公司 | 基于Git代码文件检索粒度的自动化回归测试方法 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004051421A2 (en) * | 2002-12-02 | 2004-06-17 | Pershing Investments, Llc | Capacity planning method and system |
| US11354747B2 (en) * | 2016-04-16 | 2022-06-07 | Overbond Ltd. | Real-time predictive analytics engine |
| CN107833013B (zh) * | 2017-10-27 | 2020-11-13 | 贝壳找房(北京)科技有限公司 | 软件开发的工作量预估准确性的自动化统计方法及装置 |
| US20190172564A1 (en) * | 2017-12-05 | 2019-06-06 | International Business Machines Corporation | Early cost prediction and risk identification |
| CN108345530B (zh) * | 2018-01-10 | 2020-02-28 | 贝壳找房(北京)科技有限公司 | 一种软件开发效率的获取方法 |
| CN109376012A (zh) * | 2018-10-10 | 2019-02-22 | 电子科技大学 | 一种针对异构环境的基于Spark的自适应任务调度方法 |
| CN109992251B (zh) * | 2019-04-17 | 2024-02-23 | 上海通天晓信息技术有限公司 | 一种面向业务变量的软件开发方案生成方法 |
| CN110298542A (zh) * | 2019-05-23 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 智能排期方法、装置、计算机设备及存储介质 |
| CN110309975B (zh) * | 2019-06-28 | 2024-06-21 | 深圳前海微众银行股份有限公司 | 项目研发过程管理方法、装置、设备及计算机存储介质 |
| CN110825350A (zh) * | 2019-09-16 | 2020-02-21 | 北京银企融合技术开发有限公司 | 软件产品的功能需求变更方法、系统 |
| CN112818195B (zh) * | 2019-11-15 | 2023-12-26 | 腾讯科技（深圳）有限公司 | 数据获取方法、装置、系统及计算机存储介质 |
| CN111241159B (zh) * | 2020-01-08 | 2023-07-07 | 山东汇贸电子口岸有限公司 | 确定任务执行时间的方法及装置 |
| CN111338959B (zh) * | 2020-02-27 | 2021-06-15 | 腾讯科技（深圳）有限公司 | 一种数据处理方法及相关设备 |
| CN111581104A (zh) * | 2020-05-11 | 2020-08-25 | 雷涛 | 一种基于DevOps研发运营一体化的度量方法 |
| CN112053092B (zh) * | 2020-09-29 | 2023-09-12 | 中国银行股份有限公司 | 工单的处理方法、装置、可读介质以及设备 |
| CN112598259A (zh) * | 2020-12-17 | 2021-04-02 | 上海玑智自动化科技有限公司 | 产能测算方法、装置及计算机可读存储介质 |
-
2021
- 2021-06-15 CN CN202110661849.3A patent/CN113222300B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001008004A2 (en) * | 1999-07-26 | 2001-02-01 | Accenture Llp | A system, method and article of manufacture for determining capability levels of a monitoring process area for process assessment purposes in an operational maturity investigation |
| EP1253536A1 (en) * | 2001-04-24 | 2002-10-30 | Kabushiki Kaisha Toshiba | Product development management system, product development management method, product reliability decision system and product reliability decision method |
| CN101963915A (zh) * | 2010-09-25 | 2011-02-02 | 中兴通讯股份有限公司 | 一种编译的构建方法及系统 |
| CN102103501A (zh) * | 2010-12-14 | 2011-06-22 | 中国科学院软件研究所 | 一种针对返工预测软件开发成本和执行时间的方法 |
| CN102799137A (zh) * | 2012-08-22 | 2012-11-28 | 国电联合动力技术有限公司 | 用于风电控制系统plc控制器软件跨平台移植的方法 |
| CN107070901A (zh) * | 2017-03-23 | 2017-08-18 | 山东爱泊客智能科技有限公司 | 一种智慧社区类软硬件一体开发者平台 |
| CN107315689A (zh) * | 2017-07-04 | 2017-11-03 | 上海爱数信息技术股份有限公司 | 基于Git代码文件检索粒度的自动化回归测试方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222300A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146440B (zh) | 交易结算方法、装置、服务器以及存储介质 | |
| Liu et al. | Trade liberalization and domestic vertical integration: Evidence from China | |
| CN110717671B (zh) | 一种确定参与方贡献度的方法及装置 | |
| Jánošíková et al. | Location of emergency stations as the capacitated p-median problem | |
| CN111080338A (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
| CN109961368A (zh) | 基于机器学习的数据处理方法及装置 | |
| CN110457159A (zh) | 一种处理批量任务的方法、装置、计算设备及存储介质 | |
| Korczak et al. | Risk avoiding strategy in multi-agent trading system | |
| Lee et al. | Stochastic project financing analysis system for construction | |
| CN110675216A (zh) | 一种账单数据生成方法及装置 | |
| CN113222300B (zh) | 产品改造数据的处理方法、装置、可读介质以及设备 | |
| JP2016110610A (ja) | 経営支援プログラム | |
| CN112037013A (zh) | 人行征信变量衍生方法及装置 | |
| CN110517142B (zh) | 策略评估信息的输出方法及装置 | |
| Zhao et al. | Unintended consequences of tax incentives on firms' human capital composition: Evidence from China | |
| US20230306515A1 (en) | Systems and Computer-Implemented Methods for Capital Management | |
| CN109741093A (zh) | 债权价值评估方法及装置、存储介质、终端 | |
| US10929912B2 (en) | Virtual marketplace for distributed tools in an enterprise environment | |
| CN110245992A (zh) | 一种资源处理方法及装置 | |
| CN115269085A (zh) | 手机银行页面展示方法及装置 | |
| Suárez-Taboada et al. | A numerical method for pricing spread options on LIBOR rates with a PDE model | |
| Meissner et al. | Do tax cuts increase consumption? An experimental test of Ricardian equivalence | |
| US20240232898A1 (en) | Automatically creating recurring transactions | |
| RU2599951C2 (ru) | Система организации процесса электронной торговли финансовыми инструментами | |
| Saipe | Conditional risk analysis |
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 |