CN115758135A - 轨道交通信号系统功能需求追溯方法、装置及电子设备 - Google Patents

Abstract

本发明提供一种轨道交通信号系统功能需求追溯方法、装置及电子设备，所述方法包括：获取多个功能需求文件和多个被追溯文件；确定各被追溯文件的标识信息和各功能需求文件的标识信息，标识信息用于表征文件的内容特征；基于第一追溯模型、各被追溯文件的标识信息和各功能需求文件的标识信息，确定各被追溯文件对应的第一功能需求文件；第一追溯模型是基于数据集训练获取的，数据集包括多个功能需求文件样本、多个被追溯文件样本和各被追溯文件样本对应的追溯关系标识。通过将各被追溯文件的标识信息和各功能需求文件的标识信息输入至第一追溯模型，能够预测各被追溯文件对应的第一功能需求文件，实现自动化追溯，能够提高功能需求追溯的效率。

Description

轨道交通信号系统功能需求追溯方法、装置及电子设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种轨道交通信号系统功能需求追溯方法、装置及电子设备。

背景技术

对于信号系统项目，为了确保用户需求已经被实现，需要进行需求追溯工作，建立与维护“需求-设计-编程-测试”之间的一致性，保证所有的工作成果都是符合用户要求。

相关技术中，通过判断代码管理与需求管理是否在同一系统中，并通过录入代码对应位置以及测试用例编号，使需求管理、代码管理以及测试用例关联在一起从而实现需求追溯管理。

但相关技术需要通过人工录入代码对应位置以及测试用例编号，增加新需求时，需要另外增加录入代码对应位置和测试用例编号，通过人工方式进行功能需求追溯效率较低。

发明内容

针对现有技术存在的问题，本发明实施例提供一种轨道交通信号系统功能需求追溯方法、装置及电子设备。

第一方面，本发明提供一种轨道交通信号系统功能需求追溯方法，包括：

获取信号系统项目的多个功能需求文件和多个被追溯文件；

确定各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，所述标识信息用于表征文件的内容特征；

基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件，所述第一功能需求文件为所述多个功能需求文件中的文件；

所述第一追溯模型是基于数据集训练获取的，所述数据集包括多个功能需求文件样本、多个被追溯文件样本和各所述被追溯文件样本对应的追溯关系标识，所述追溯关系标识用于指示所述被追溯文件样本对应的功能需求文件样本。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯方法，所述被追溯文件为以下文件中的任意一项：测试用例文件、规格说明书文件和功能代码文件；

所述多个被追溯文件样本包括：测试用例文件样本、规格说明书文件样本和功能代码文件样本。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯方法，在所述基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件之前，还包括：

将所述数据集分为第一数据子集和第二数据子集；

基于训练函数、所述第一数据子集和初始模型，进行有监督训练，获取第二追溯模型；

基于所述第二数据子集，测试所述第二追溯模型，获取测试结果；

若确定所述测试结果表示所述第二追溯模型测试通过，则确定所述第二追溯模型作为所述第一追溯模型；

所述训练函数为L-M优化算法函数或比例共轭梯度算法函数，所述初始模型为反向传播神经网络。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯方法，在所述基于所述第二数据子集，测试所述第二追溯模型，获取测试结果之后，还包括：

若确定所述测试结果表示所述第二追溯模型测试未通过，则确定多个第一被追溯文件样本，所述第一被追溯文件样本为所述第二数据子集中通过所述第二追溯模型无法找到对应功能需求文件样本的被追溯文件样本；

接收目标输入，所述目标输入用于指示各所述第一被追溯文件样本的更新内容以及各所述第一被追溯文件样本对应的追溯关系标识；

响应于所述目标输入，基于各所述第一被追溯文件样本的更新内容以及各所述第一被追溯文件样本对应的追溯关系标识，更新所述第二数据子集；

基于所述训练函数、更新后的所述第二数据子集和所述第二追溯模型，进行有监督训练，获取第三追溯模型并确定所述第三追溯模型作为所述第一追溯模型。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯方法，在所述基于训练函数、所述第一数据子集和初始模型，进行有监督训练，获取第二追溯模型之前，还包括：

在所述第一数据子集的样本数据小于或等于预设阈值的情况下，确定所述L-M优化算法函数作为所述训练函数；

或，在所述第一数据子集的样本数量大于预设阈值的情况下，确定所述比例共轭梯度算法函数作为所述训练函数。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯方法，在所述确定各所述被追溯文件对应的第一功能需求文件之后，还包括：

基于各所述被追溯文件对应的第一功能需求文件，在所述信号系统项目的多个功能需求文件中确定一个或多个第二功能需求文件，所述第二功能需求文件为通过所述第一追溯模型无法找到对应被追溯文件的功能需求文件；

基于一个或多个所述第二功能需求文件，生成追溯处理异常表。

第二方面，本发明还提供一种轨道交通信号系统功能需求追溯装置，包括：

获取模块，用于获取信号系统项目的多个功能需求文件和多个被追溯文件；

第一确定模块，用于确定各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，所述标识信息用于表征文件的内容特征；

第二确定模块，基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件，所述第一功能需求文件为所述多个功能需求文件中的文件；

所述第一追溯模型是基于数据集训练获取的，所述数据集包括多个功能需求文件样本、多个被追溯文件样本和各所述被追溯文件样本对应的追溯关系标识，所述追溯关系标识用于指示所述被追溯文件样本对应的功能需求文件样本。

第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述轨道交通信号系统功能需求追溯方法。

第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述轨道交通信号系统功能需求追溯方法。

第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述轨道交通信号系统功能需求追溯方法。

本发明提供的轨道交通信号系统功能需求追溯方法、装置及电子设备，通过确定各被追溯文件的标识信息和各功能需求文件的标识信息，可以使用标识信息表征文件的内容特征，第一追溯模型是基于多个功能需求文件样本和多个被追溯文件样本进行训练而获取的，第一追溯模型具备预测被追溯文件和功能需求文件之间的追溯关系的能力，进而可以将各被追溯文件的标识信息和各功能需求文件的标识信息输入至第一追溯模型，第一追溯模型能够预测各被追溯文件对应的第一功能需求文件，实现自动地从被追溯文件追溯到功能需求文件，能够提高功能需求追溯的效率。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明提供的轨道交通信号系统功能需求追溯方法的流程示意图；

图2是本发明提供的轨道交通信号系统功能需求追溯装置的结构示意图；

图3是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。

图1是本发明提供的轨道交通信号系统功能需求追溯方法的流程示意图，如图1所示，所述轨道交通信号系统功能需求追溯方法的执行主体可以是电子设备，例如服务器等。该方法包括：

步骤101，获取信号系统项目的多个功能需求文件和多个被追溯文件。

具体地，为了提高轨道交通信号系统功能需求追溯的效率，可以确定一个信号系统项目，并获取该项目中的多个功能需求文件和多个被追溯文件，多个被追溯文件与多个功能需求文件之间待建立追溯关系，该追溯关系可以表示被追溯文件与功能需求文件之间的对应关系。

可选地，一个被追溯文件可以是以下文件中的任意一项：测试用例文件、规格说明书文件和功能代码文件。

步骤102，确定各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，所述标识信息用于表征文件的内容特征。

具体地，在获取多个功能需求文件和多个被追溯文件之后，可以通过一种或多种标识信息提取方式，确定各被追溯文件的标识信息和各功能需求文件的标识信息。

可选地，文件的标识信息可以包括文件的多个关键词，相应地，第一标识信息提取方式可以是提取文件的关键词。通过第一标识信息提取方式进行关键词提取的具体过程可以包括：对文本进行分词，得到分词结果，统计分词后各个词语出现的次数，将出现次数高的词语作为文本的关键词；或者计算分词后的所有词语的语义向量，并根据语义向量计算重要度，将重要度高的一些词语作为文本的关键词。

例如，通过第一标识信息提取方式，可以提取被追溯文件的多个关键词，可以将被追溯文件的唯一标识码和提取到的多个关键词作为该被追溯文件的标识信息，该标识信息能够表征该被追溯文件的内容特征。

例如，通过第一标识信息提取方式，可以提取功能需求文件的多个关键词，可以将功能需求文件的唯一标识码和提取到的多个关键词作为该功能需求文件的标识信息，该标识信息能够表征该功能需求文件的内容特征。

可选地，文件可以以任意一种表格形式存在，通过表格记载各属性字段对应的属性值，文件的标识信息可以包括多个关键属性值，相应地，第二标识信息提取方式可以是提取文件的关键属性值。通过第二标识信息提取方式进行关键属性值提取的具体过程可以包括：基于各属性字段对应的权值，对文件表格中的属性值进行筛选，获取多个关键属性值。

例如，被追溯文件可以以表格形式存在，通过第二标识信息提取方式，可以提取该被追溯文件的多个关键属性值，可以将该被追溯文件的唯一标识码和提取到的多个关键属性值作为该被追溯文件的标识信息，该标识信息能够表征该被追溯文件的内容特征。

例如，功能需求文件可以以表格形式存在，通过第二标识信息提取方式，可以提取该功能需求文件的多个关键属性值，可以将该功能需求文件的唯一标识码和提取到的多个关键属性值作为该功能需求文件的标识信息，该标识信息能够表征该功能需求文件的内容特征。

可选地，被追溯文件的标识信息还可以包括类型标识，该类型标识用于表示被追溯文件的类型。

例如，一种类型的被追溯文件对应一个类型标识：在被追溯文件为测试用例文件的情况下，该被追溯文件的标识信息中的类型标识可以为01；在被追溯文件为规格说明书文件的情况下，该被追溯文件的标识信息中的类型标识可以为02；在被追溯文件为功能代码文件的情况下，该被追溯文件的标识信息中的类型标识可以为03。

步骤103，基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件，所述第一功能需求文件为所述多个功能需求文件中的文件；

所述第一追溯模型是基于数据集训练获取的，所述数据集包括多个功能需求文件样本、多个被追溯文件样本和各所述被追溯文件样本对应的追溯关系标识，所述追溯关系标识用于指示所述被追溯文件样本对应的功能需求文件样本。

具体地，在确定各被追溯文件的标识信息和各功能需求文件的标识信息之后，可以将标识信息转化为特征向量并输入至第一追溯模型，第一追溯模型是基于多个功能需求文件样本和多个被追溯文件样本进行训练而获取的，第一追溯模型具备预测被追溯文件和功能需求文件之间的追溯关系的能力，第一追溯模型能够预测各被追溯文件对应的第一功能需求文件。

可选地，可以基于多个功能需求文件样本、多个被追溯文件样本和各被追溯文件样本对应的追溯关系标识，对决策树模型进行有监督训练，以获取第一追溯模型。

可选地，可以基于多个功能需求文件样本、多个被追溯文件样本和各被追溯文件样本对应的追溯关系标识，对反向传播(Back Propagation，BP)神经网络模型进行有监督训练，以获取第一追溯模型。

可选地，信号系统项目可以是已通过人工方式进行功能需求追溯的项目，也即信号系统项目对应有基于人工方式确认的追溯关系。通过第一追溯模型，可以对该信号系统项目自动进行功能需求追溯，以获取基于第一追溯模型确认的追溯关系，进而可以比对基于第一追溯模型确认的追溯关系和基于人工方式确认的追溯关系，筛选出基于人工方式确认的追溯关系中存在的错误，能够纠正以往追溯错误的需求追溯，保证需求追溯的正确率和覆盖率。

可选地，可以基于历史信号系统项目的需求追溯数据，获取已有的需求追溯数据，进而基于已有的需求追溯数据构建上述数据集，数据集需要具有一定的数据量(例如数据量要求大于5000数据量)且数据要求尽可能是可追溯的准确数据，确保训练模型的准确性。

本发明提供的轨道交通信号系统功能需求追溯方法，通过确定各被追溯文件的标识信息和各功能需求文件的标识信息，可以使用标识信息表征文件的内容特征，第一追溯模型是基于多个功能需求文件样本和多个被追溯文件样本进行训练而获取的，第一追溯模型具备预测被追溯文件和功能需求文件之间的追溯关系的能力，进而可以将各被追溯文件的标识信息和各功能需求文件的标识信息输入至第一追溯模型，第一追溯模型能够预测各被追溯文件对应的第一功能需求文件，实现自动地从被追溯文件追溯到功能需求文件，能够提高功能需求追溯的效率。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯方法，所述被追溯文件为以下文件中的任意一项：测试用例文件、规格说明书文件和功能代码文件；

所述多个被追溯文件样本包括：测试用例文件样本、规格说明书文件样本和功能代码文件样本。

具体地，第一追溯模型可以是基于功能需求文件样本、测试用例文件样本、规格说明书文件样本和功能代码文件样本进行训练获取的，第一追溯模型具备预测测试用例文件和功能需求文件之间的追溯关系的能力、预测规格说明书文件和功能需求文件之间的追溯关系的能力以及预测功能代码文件和功能需求文件之间的追溯关系的能力。

可选地，被追溯文件可以是测试用例文件，将测试用例文件的标识信息和各功能需求文件的标识信息输入至第一追溯模型，通过第一追溯模型进行预测，可以获取该测试用例文件对应的第一功能需求文件。

可选地，被追溯文件可以是规格说明书文件，将规格说明书文件的标识信息和各功能需求文件的标识信息输入至第一追溯模型，通过第一追溯模型进行预测，可以获取该规格说明书文件对应的第一功能需求文件。

可选地，被追溯文件可以是功能代码文件，将功能代码文件的标识信息和各功能需求文件的标识信息输入至第一追溯模型，通过第一追溯模型进行预测，可以获取该功能代码文件对应的第一功能需求文件。

因此，数据集可以包括多种类型的被追溯文件样本，相应地，基于该数据集训练获取的第一追溯模型具备预测测试用例文件和功能需求文件之间的追溯关系的能力、预测规格说明书文件和功能需求文件之间的追溯关系的能力以及预测功能代码文件和功能需求文件之间的追溯关系的能力，能够实现对多种类型的被追溯文件进行追溯。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯方法，在所述基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件之前，还包括：

将所述数据集分为第一数据子集和第二数据子集；

基于训练函数、所述第一数据子集和初始模型，进行有监督训练，获取第二追溯模型；

基于所述第二数据子集，测试所述第二追溯模型，获取测试结果；

若确定所述测试结果表示所述第二追溯模型测试通过，则确定所述第二追溯模型作为所述第一追溯模型；

所述训练函数为L-M(Levenberg-Marquardt)优化算法函数或比例共轭梯度算法函数，所述初始模型为反向传播神经网络。

具体地，为了获取第一追溯模型，可以将数据集分为第一数据子集和第二数据子集，第一数据子集可以用于对模型进行训练，第二数据子集可以用于对训练后的模型进行测试；在模型训练阶段可以基于第一数据子集，通过训练函数对BP神经网络进行有监督训练，可以获取训练后的模型，也即第二追溯模型；在模型测试阶段，可以基于第二数据子集对第二追溯模型进行测试，获取测试结果，该测试结果可以表示第二追溯模型测试是否通过；若确定第二追溯模型测试通过，则可以确定第二追溯模型作为第一追溯模型。

可选地，可以基于一定比例来对数据集进行划分，以使第一数据子集的样本数量多于第二数据子集的样本数量。例如可以将数据集中70％的样本作为第一数据子集，将数据集中剩余的30％样本作为第二数据子集。

可选地，在模型训练阶段，可以基于第一数据子集，通过L-M优化算法函数对BP神经网络进行有监督训练，直至达到预设训练次数或模型收敛，可以获取第二追溯模型。

可选地，在模型训练阶段，可以基于第一数据子集，通过比例共轭梯度算法函数对BP神经网络进行有监督训练，直至达到预设训练次数或模型收敛，可以获取第二追溯模型。

可选地，可以基于MATLAB工具，通过该工具中预设的训练函数(例如trainlm训练函数，也即L-M优化算法函数；又例如trainscg训练函数，也即比例共轭梯度算法函数)对BP神经网络进行有监督训练，直至达到预设训练次数或模型收敛，可以获取第二追溯模型。

可以理解的是，在将数据集中的样本输入至模型之前，可以对样本进行预处理，预处理过程可以包括：确定样本的标识信息，以及将样本的标识信息转化为特征向量。对样本做预处理之后，可以将样本的特征向量输入至模型，以对模型进行训练。

可选地，在模型测试阶段，可以基于第二数据子集对第二追溯模型的精确度进行测试，获取测试结果，若测试结果表示精确度大于或等于精确度阈值，则可以确定第二追溯模型测试通过，若测试结果表示精确度小于精确度阈值，则可以确定第二追溯模型测试未通过。

因此，通过基于数据集对BP神经网络进行有监督训练，能够获取第一追溯模型，第一追溯模型具备预测被追溯文件和功能需求文件之间的追溯关系的能力。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯方法，在所述基于所述第二数据子集，测试所述第二追溯模型，获取测试结果之后，还包括：

若确定所述测试结果表示所述第二追溯模型测试未通过，则确定多个第一被追溯文件样本，所述第一被追溯文件样本为所述第二数据子集中通过所述第二追溯模型无法找到对应功能需求文件样本的被追溯文件样本；

接收目标输入，所述目标输入用于指示各所述第一被追溯文件样本的更新内容以及各所述第一被追溯文件样本对应的功能需求文件样本；

响应于所述目标输入，基于各所述第一被追溯文件样本的更新内容以及各所述第一被追溯文件样本对应的功能需求文件样本，更新所述第二数据子集；

基于所述训练函数、更新后的所述第二数据子集和所述第二追溯模型，进行有监督训练，获取第三追溯模型并确定所述第三追溯模型作为所述第一追溯模型。

具体地，在获取对第二追溯模型的测试结果之后，若确定第二追溯模型测试未通过，则可以在第二数据子集中排查出通过第二追溯模型无法找到对应功能需求文件样本的被追溯文件样本，也即第一被追溯文件样本，进而可以通过人机交互方式对各第一被追溯文件样本的内容以及各第一被追溯文件样本对应的追溯关系标识进行修正，修正之后可以获取更新后的第二数据子集，进而可以基于更新后的第二数据子集，通过训练函数对第二数据子集进行有监督训练，以获取第三追溯模型，并可以将确定第三追溯模型作为第一追溯模型。

可以理解的是，在第二追溯模型的测试未通过的情况下，可以基于第二数据子集对模型进行训练，以进一步优化模型。而在对第二追溯模型进行训练之前，可以通过人机交互方式对第二数据子集中可能存在问题的样本(也即第一被追溯文件样本)进行确认是否确实存在问题，以及对确实存在问题的样本进行修复，保证更新后的第二数据子集具有更少的问题样本，以提高对模型的训练效果。

可选地，可以基于第二数据子集，通过L-M优化算法函数对第二追溯模型进行有监督训练，直至达到预设训练次数或模型收敛，可以获取第三追溯模型。

可选地，可以基于第二数据子集，通过比例共轭梯度算法函数对第二追溯模型进行有监督训练，直至达到预设训练次数或模型收敛，可以获取第三追溯模型。

因此，在第二追溯模型的测试未通过的情况下，可以基于第二数据子集对模型进行训练，进一步优化模型，以获取第一追溯模型，第一追溯模型具备预测被追溯文件和功能需求文件之间的追溯关系的能力。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯方法，在所述基于训练函数、所述第一数据子集和初始模型，进行有监督训练，获取第二追溯模型之前，还包括：

在所述第一数据子集的数据量小于或等于预设阈值的情况下，确定所述L-M优化算法函数作为所述训练函数；

或，在所述第一数据子集的数据量大于预设阈值的情况下，确定所述比例共轭梯度算法函数作为所述训练函数。

具体地，可以基于第一数据子集的样本数量来确定训练函数，在第一数据子集的数据量小于或等于预设阈值的情况下(也即样本数量较少的情况下)，可以确定L-M优化算法函数作为训练函数，在第一数据子集的数据量大于预设阈值的情况下(也即样本数量较多的情况下)，可以确定比例共轭梯度算法函数作为训练函数。

可以理解的是，在样本数量较少的情况下，采用L-M优化算法函数对于中等规模的BP神经网络有较快的收敛速度，由于其避免直接计算赫赛矩阵，能够减少训练中的计算量。在样本数量较多的情况下，采用比例共轭梯度算法函数，其将模值信赖域算法与共轭梯度算法结合起来，能够减少用于调整方向时搜索网络的时间。

因此，可以基于第一数据子集的样本数量，在L-M优化算法函数和比例共轭梯度算法函数这两者之中，确定一个合适的算法函数作为训练函数。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯方法，在所述确定各所述被追溯文件对应的第一功能需求文件之后，还包括：

基于各所述被追溯文件对应的第一功能需求文件，在所述信号系统项目的多个功能需求文件中确定一个或多个第二功能需求文件，所述第二功能需求文件为通过所述第一追溯模型无法找到对应被追溯文件的功能需求文件；

基于一个或多个所述第二功能需求文件，生成追溯处理异常表。

具体地，为了生成追溯处理异常表，可以基于第一追溯模型的预测结果，对信号系统项目的多个功能需求文件进行筛选，筛选出通过第一追溯模型无法找到对应被追溯文件的功能需求文件，也即第二功能需求文件，进而可以基于一个或多个第二功能需求文件，生成追溯处理异常表，以便用户基于该追溯处理异常表对找不到对应追溯关系的需求进行核查，提高核查效率。

因此，对于通过第一追溯模型无法找到对应被追溯文件的功能需求文件，可以生成追溯处理异常表，能够提高功能需求文件的核查效率。

本发明提供的轨道交通信号系统功能需求追溯方法，通过确定各被追溯文件的标识信息和各功能需求文件的标识信息，可以使用标识信息表征文件的内容特征，第一追溯模型是基于多个功能需求文件样本和多个被追溯文件样本进行训练而获取的，第一追溯模型具备预测被追溯文件和功能需求文件之间的追溯关系的能力，进而可以将各被追溯文件的标识信息和各功能需求文件的标识信息输入至第一追溯模型，第一追溯模型能够预测各被追溯文件对应的第一功能需求文件，实现自动地从被追溯文件追溯到功能需求文件，能够提高功能需求追溯的效率。

下面对本发明提供的轨道交通信号系统功能需求追溯装置进行描述，下文描述的轨道交通信号系统功能需求追溯装置与上文描述的轨道交通信号系统功能需求追溯方法可相互对应参照。

图2是本发明提供的轨道交通信号系统功能需求追溯装置的结构示意图，如图2所示，所述装置包括：获取模块201、第一确定模块202和第二确定模块203。其中：

获取模块201，用于获取信号系统项目的多个功能需求文件和多个被追溯文件；

第一确定模块202，用于确定各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，所述标识信息用于表征文件的内容特征；

第二确定模块203，基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件，所述第一功能需求文件为所述多个功能需求文件中的文件；

所述第一追溯模型是基于数据集训练获取的，所述数据集包括多个功能需求文件样本、多个被追溯文件样本和各所述被追溯文件样本对应的追溯关系标识，所述追溯关系标识用于指示所述被追溯文件样本对应的功能需求文件样本。

本发明提供的轨道交通信号系统功能需求追溯装置，通过确定各被追溯文件的标识信息和各功能需求文件的标识信息，可以使用标识信息表征文件的内容特征，第一追溯模型是基于多个功能需求文件样本和多个被追溯文件样本进行训练而获取的，第一追溯模型具备预测被追溯文件和功能需求文件之间的追溯关系的能力，进而可以将各被追溯文件的标识信息和各功能需求文件的标识信息输入至第一追溯模型，第一追溯模型能够预测各被追溯文件对应的第一功能需求文件，实现自动地从被追溯文件追溯到功能需求文件，能够提高功能需求追溯的效率。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯装置，所述被追溯文件为以下文件中的任意一项：测试用例文件、规格说明书文件和功能代码文件；

所述多个被追溯文件样本包括：测试用例文件样本、规格说明书文件样本和功能代码文件样本。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯装置，所述装置还包括第一训练模块，在所述基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件之前，所述第一训练模块用于：

将所述数据集分为第一数据子集和第二数据子集；

基于训练函数、所述第一数据子集和初始模型，进行有监督训练，获取第二追溯模型；

基于所述第二数据子集，测试所述第二追溯模型，获取测试结果；

若确定所述测试结果表示所述第二追溯模型测试通过，则确定所述第二追溯模型作为所述第一追溯模型；

所述训练函数为L-M优化算法函数或比例共轭梯度算法函数，所述初始模型为反向传播神经网络。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯装置，所述装置还包括第二训练模块，在所述基于所述第二数据子集，测试所述第二追溯模型，获取测试结果之后，所述第二训练模块用于：

若确定所述测试结果表示所述第二追溯模型测试未通过，则确定多个第一被追溯文件样本，所述第一被追溯文件样本为所述第二数据子集中通过所述第二追溯模型无法找到对应功能需求文件样本的被追溯文件样本；

接收目标输入，所述目标输入用于指示各所述第一被追溯文件样本的更新内容以及各所述第一被追溯文件样本对应的追溯关系标识；

响应于所述目标输入，基于各所述第一被追溯文件样本的更新内容以及各所述第一被追溯文件样本对应的追溯关系标识，更新所述第二数据子集；

基于所述训练函数、更新后的所述第二数据子集和所述第二追溯模型，进行有监督训练，获取第三追溯模型并确定所述第三追溯模型作为所述第一追溯模型。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯装置，所述装置还包括第三确定模块，在所述基于训练函数、所述第一数据子集和初始模型，进行有监督训练，获取第二追溯模型之前，所述第三确定模块用于：

在所述第一数据子集的样本数据小于或等于预设阈值的情况下，确定所述L-M优化算法函数作为所述训练函数；

或，在所述第一数据子集的样本数量大于预设阈值的情况下，确定所述比例共轭梯度算法函数作为所述训练函数。

可选地，根据本发明提供的一种轨道交通信号系统功能需求追溯装置，所述装置还包括生成模块，在所述确定各所述被追溯文件对应的第一功能需求文件之后，所述生成模块用于：

基于各所述被追溯文件对应的第一功能需求文件，在所述信号系统项目的多个功能需求文件中确定一个或多个第二功能需求文件，所述第二功能需求文件为通过所述第一追溯模型无法找到对应被追溯文件的功能需求文件；

基于一个或多个所述第二功能需求文件，生成追溯处理异常表。

本发明提供的轨道交通信号系统功能需求追溯装置，通过确定各被追溯文件的标识信息和各功能需求文件的标识信息，可以使用标识信息表征文件的内容特征，第一追溯模型是基于多个功能需求文件样本和多个被追溯文件样本进行训练而获取的，第一追溯模型具备预测被追溯文件和功能需求文件之间的追溯关系的能力，进而可以将各被追溯文件的标识信息和各功能需求文件的标识信息输入至第一追溯模型，第一追溯模型能够预测各被追溯文件对应的第一功能需求文件，实现自动地从被追溯文件追溯到功能需求文件，能够提高功能需求追溯的效率。

图3是本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行轨道交通信号系统功能需求追溯方法，例如该方法包括：

获取信号系统项目的多个功能需求文件和多个被追溯文件；

确定各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，所述标识信息用于表征文件的内容特征；

基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件，所述第一功能需求文件为所述多个功能需求文件中的文件；

所述第一追溯模型是基于数据集训练获取的，所述数据集包括多个功能需求文件样本、多个被追溯文件样本和各所述被追溯文件样本对应的追溯关系标识，所述追溯关系标识用于指示所述被追溯文件样本对应的功能需求文件样本。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的轨道交通信号系统功能需求追溯方法，例如该方法包括：

获取信号系统项目的多个功能需求文件和多个被追溯文件；

确定各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，所述标识信息用于表征文件的内容特征；

基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件，所述第一功能需求文件为所述多个功能需求文件中的文件；

所述第一追溯模型是基于数据集训练获取的，所述数据集包括多个功能需求文件样本、多个被追溯文件样本和各所述被追溯文件样本对应的追溯关系标识，所述追溯关系标识用于指示所述被追溯文件样本对应的功能需求文件样本。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的轨道交通信号系统功能需求追溯方法，例如该方法包括：

获取信号系统项目的多个功能需求文件和多个被追溯文件；

确定各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，所述标识信息用于表征文件的内容特征；

基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件，所述第一功能需求文件为所述多个功能需求文件中的文件；

所述第一追溯模型是基于数据集训练获取的，所述数据集包括多个功能需求文件样本、多个被追溯文件样本和各所述被追溯文件样本对应的追溯关系标识，所述追溯关系标识用于指示所述被追溯文件样本对应的功能需求文件样本。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种轨道交通信号系统功能需求追溯方法，其特征在于，包括：

获取信号系统项目的多个功能需求文件和多个被追溯文件；

确定各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，所述标识信息用于表征文件的内容特征；

基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件，所述第一功能需求文件为所述多个功能需求文件中的文件；

所述第一追溯模型是基于数据集训练获取的，所述数据集包括多个功能需求文件样本、多个被追溯文件样本和各所述被追溯文件样本对应的追溯关系标识，所述追溯关系标识用于指示所述被追溯文件样本对应的功能需求文件样本。

2.根据权利要求1所述轨道交通信号系统功能需求追溯方法，其特征在于，所述被追溯文件为以下文件中的任意一项：测试用例文件、规格说明书文件和功能代码文件；

所述多个被追溯文件样本包括：测试用例文件样本、规格说明书文件样本和功能代码文件样本。

3.根据权利要求1或2所述轨道交通信号系统功能需求追溯方法，其特征在于，在所述基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件之前，还包括：

将所述数据集分为第一数据子集和第二数据子集；

基于训练函数、所述第一数据子集和初始模型，进行有监督训练，获取第二追溯模型；

基于所述第二数据子集，测试所述第二追溯模型，获取测试结果；

若确定所述测试结果表示所述第二追溯模型测试通过，则确定所述第二追溯模型作为所述第一追溯模型；

所述训练函数为L-M优化算法函数或比例共轭梯度算法函数，所述初始模型为反向传播神经网络。

4.根据权利要求3所述轨道交通信号系统功能需求追溯方法，其特征在于，在所述基于所述第二数据子集，测试所述第二追溯模型，获取测试结果之后，还包括：

若确定所述测试结果表示所述第二追溯模型测试未通过，则确定多个第一被追溯文件样本，所述第一被追溯文件样本为所述第二数据子集中通过所述第二追溯模型无法找到对应功能需求文件样本的被追溯文件样本；

接收目标输入，所述目标输入用于指示各所述第一被追溯文件样本的更新内容以及各所述第一被追溯文件样本对应的追溯关系标识；

响应于所述目标输入，基于各所述第一被追溯文件样本的更新内容以及各所述第一被追溯文件样本对应的追溯关系标识，更新所述第二数据子集；

基于所述训练函数、更新后的所述第二数据子集和所述第二追溯模型，进行有监督训练，获取第三追溯模型并确定所述第三追溯模型作为所述第一追溯模型。

5.根据权利要求3所述轨道交通信号系统功能需求追溯方法，其特征在于，在所述基于训练函数、所述第一数据子集和初始模型，进行有监督训练，获取第二追溯模型之前，还包括：

在所述第一数据子集的样本数据小于或等于预设阈值的情况下，确定所述L-M优化算法函数作为所述训练函数；

或，在所述第一数据子集的样本数量大于预设阈值的情况下，确定所述比例共轭梯度算法函数作为所述训练函数。

6.根据权利要求1或2或4或5所述轨道交通信号系统功能需求追溯方法，其特征在于，在所述确定各所述被追溯文件对应的第一功能需求文件之后，还包括：

基于各所述被追溯文件对应的第一功能需求文件，在所述信号系统项目的多个功能需求文件中确定一个或多个第二功能需求文件，所述第二功能需求文件为通过所述第一追溯模型无法找到对应被追溯文件的功能需求文件；

基于一个或多个所述第二功能需求文件，生成追溯处理异常表。

7.一种轨道交通信号系统功能需求追溯装置，其特征在于，包括：

获取模块，用于获取信号系统项目的多个功能需求文件和多个被追溯文件；

第一确定模块，用于确定各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，所述标识信息用于表征文件的内容特征；

第二确定模块，基于第一追溯模型、各所述被追溯文件的标识信息和各所述功能需求文件的标识信息，确定各所述被追溯文件对应的第一功能需求文件，所述第一功能需求文件为所述多个功能需求文件中的文件；

所述第一追溯模型是基于数据集训练获取的，所述数据集包括多个功能需求文件样本、多个被追溯文件样本和各所述被追溯文件样本对应的追溯关系标识，所述追溯关系标识用于指示所述被追溯文件样本对应的功能需求文件样本。

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述轨道交通信号系统功能需求追溯方法。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述轨道交通信号系统功能需求追溯方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述轨道交通信号系统功能需求追溯方法。

Images