一种基于复合变量特性的分阶段工作量预测方法及系统与流程

1.本发明涉及软件系统开发测试技术领域，尤其涉及一种基于复合变量特性的分阶段工作量预测方法及系统。


背景技术：

2.测试周期是整个测试过程中非常重要的环节，测试人员在每次项目会签时，都需要根据现有的项目信息评估该项目测试工作量，测试工作量评估的越准确，对项目整体节奏的把握更有利，关乎项目整体的上线计划及版本节奏。确定测试周期首先要评估测试的工作量，测试工作量评估的越准确，对项目整体节奏的把握更有利。工作量评估得过多会影响项目的整体进度，测试人员的工作强度和效率也会不尽如人意，工作量评估过少则可能会造成更大的影响，没有经过充分测试的项目上线后存在质量风险。
3.实际项目测试中，工作量的评估会受很多因素影响，目前软件测试行业也有很多常规的测试工作量估算方法，比如ad-hoc方法、开发时间百分比法、类比法、wbs法、dephi法等等，不同的测试经理会使用许多不同的方法来估算及安排他们的测试工作量。这些已有方法虽然原理各不相同，但大多都是开发工作量相关联，考虑的其他影响因素有限，评估出来的测试工作量往往准确度不够，并且无法细化到项目测试工作的各个阶段。


技术实现要素：

4.为解决现有技术的不足，本发明提出一种基于复合变量特性的分阶段工作量预测方法及系统，针对项目测试工作量如何评估的问题，在充分考虑各项影响因素的基础上，利用线性回归算法以及变分自编码算法，对项目整体测试工作量以及项目测试工作各阶段工作量做出预测，达到准确预测项目测试工作量的目的。
5.为实现以上目的，本发明所采用的技术方案包括：
6.一种基于复合变量特性的分阶段工作量预测方法，其特征在于，包括：
7.s1、根据项目测试的各项相关变量特性建立包含有若干自变量与模型参数的测试工作量预测模型结构，所述自变量分别匹配特定的变量特性；
8.s2、根据项目测试历史数据中的变量特性和总工作量回归确定测试工作量预测模型结构中的模型参数，获得测试工作量预测模型；
9.s3、根据项目测试的各阶段建立包含有至少一个隐变量z的分阶段工作量预测模型结构，所述分阶段工作量预测模型结构属于vae模型；
10.s4、根据项目测试历史数据中的总工作量计算确定分阶段工作量预测模型结构中的隐变量z，获得分阶段工作量预测模型；
11.s5、将待预测项目的各项相关变量特性输入测试工作量预测模型，计算得到预测总工作量；
12.s6、将预测总工作量输入分阶段工作量预测模型，计算得到预测分阶段工作量。
13.进一步地，所述测试工作量预测模型结构如式1所示：
[0014][0015]
其中，为预测总工作量，w1、w2、w3、w4、w5、w6、w7、b为模型参数；
[0016]
x1至x7为变量特性，x1为项目开发工作量，以人/天为单位；x2为项目测试执行方式，取值范围为0至100中的任意整数，其中取值0表示完全手工执行，取值100表示完全自动化执行；x3为项目测试人员能力，取值范围为1至5中的任意整数，其中取值5为能力最高，取值1为能力最低；x4为系统自动化测试案例的执行效率取值范围为6至10中的任意整数，其中执行效率最高取10，最低取6；x5为系统手工测试案例的执行效率，取值范围为1至5中的任意整数，其中执行效率最高取5，最低取1；x6为系统历史缺陷率，以百分比为单位；x7为系统需求变更频繁程度，取值范围为1至5中的任意整数，其中需求变更频繁程度最高取5，最低取1。
[0017]
进一步地，所述步骤s2进一步包括分步骤：
[0018]
s21、定义预测损失函数如式2所示：
[0019][0020]
其中，l为损失，n为历史数据组数量，为预测总工作量，y为历史数据中实际记录的真实总工作量；
[0021]
s22、将模型参数和变量特性带入预测损失函数，展开得到式3：
[0022][0023]
s23、使用最小二乘法求解l最小时的各项模型参数。
[0024]
进一步地，所述项目测试的各阶段包括测试方案编写工作量y1、需求分析工作量y2、案例设计工作量y3、测试执行工作量y4和测试报告编写工作量y5。
[0025]
进一步地，所述分阶段工作量预测模型结构如式4所示：
[0026]
p(x)＝∫p(x|z)p(z)dz
ꢀꢀꢀ
式4
[0027]
其中，p(x)表示所需的分阶段工作量预测模型；p(x|z)为条件分布且其中x|z遵循n(μ(z),σ(z))的高斯分布，μ(z)表示均值，σ(z)表示方差；p(z)表示隐变量z的高斯分布。
[0028]
进一步地，所述步骤s6包括：
[0029]
使用式5对隐变量z进行重参数：
[0030]
z＝μ ∈
×
σ
ꢀꢀꢀ
式5
[0031]
其中，μ表示均值，σ表示方差，∈为隐变量z的高斯分布中的采样值。
[0032]
本发明还涉及一种基于复合变量特性的分阶段工作量预测系统，其特征在于，包括：
[0033]
历史数据存储模块，用于存储项目测试历史数据；
[0034]
测试工作量预测模型生成模块，用于建立测试工作量预测模型；
[0035]
测试工作量预测模块，用于通过待预测项目的各项相关变量特性使用测试工作量预测模型计算得到预测总工作量；
[0036]
分阶段工作量预测模型生成模块，用于建立分阶段工作量预测模型；
[0037]
分阶段工作量预测模块，用于通过预测总工作量使用分阶段工作量预测模型计算得到预测分阶段工作量。
[0038]
本发明还涉及一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
[0039]
本发明还涉及一种电子设备，其特征在于，包括处理器和存储器；
[0040]
所述存储器，用于存储项目测试历史数据和待预测项目的各项相关变量特性；
[0041]
所述处理器，用于通过调用项目测试历史数据和待预测项目的各项相关变量特性，执行上述的方法。
[0042]
本发明的有益效果为：
[0043]
采用本发明所述基于复合变量特性的分阶段工作量预测方法及系统，针对项目测试工作量如何评估的问题，在充分考虑各项影响因素的基础上，利用线性回归算法以及变分自编码算法，对项目整体测试工作量以及项目测试工作各阶段工作量做出预测，达到准确预测项目测试工作量的目的。
附图说明
[0044]
图1为本发明基于复合变量特性的分阶段工作量预测方法流程示意图。
[0045]
图2为本发明基于复合变量特性的分阶段工作量预测系统结构示意图。
具体实施方式
[0046]
为了更清楚的理解本发明的内容，将结合附图和实施例详细说明。
[0047]
如图1所示为本发明基于复合变量特性的分阶段工作量预测方法流程示意图，主要包括：
[0048]
s1、根据项目测试的各项相关变量特性建立包含有若干自变量与模型参数的测试工作量预测模型结构，如式1所示，所述自变量分别匹配特定的变量特性；
[0049][0050]
其中，为预测总工作量，w1、w2、w3、w4、w5、w6、w7、b为模型参数；
[0051]
x1至x7为变量特性，x1为项目开发工作量，以人/天为单位；x2为项目测试执行方式，取值范围为0至100中的任意整数，其中取值0表示完全手工执行，取值100表示完全自动化执行；x3为项目测试人员能力，取值范围为1至5中的任意整数，其中取值5为能力最高，取值1为能力最低；x4为系统自动化测试案例的执行效率取值范围为6至10中的任意整数，其中执行效率最高取10，最低取6；x5为系统手工测试案例的执行效率，取值范围为1至5中的任意整数，其中执行效率最高取5，最低取1；x6为系统历史缺陷率，以百分比为单位；x7为系统需求变更频繁程度，取值范围为1至5中的任意整数，其中需求变更频繁程度最高取5，最低取1。
[0052]
s2、根据项目测试历史数据中的变量特性和总工作量回归确定测试工作量预测模型结构中的模型参数，获得测试工作量预测模型，具体包括以下分步骤：
[0053]
s21、定义预测损失函数如式2所示：
[0054][0055]
其中，l为损失，n为历史数据组数量，为预测总工作量，y为历史数据中实际记录的真实总工作量；
[0056]
s22、将模型参数和变量特性带入预测损失函数，展开得到式3：
[0057][0058]
s23、使用最小二乘法求解l最小时的各项模型参数，特别是采用线性回归模型的最小二乘参数估计，将l(w,b)分别对w1、w2、w3、w4、w5、w6、w7、b进行求导，得到：
[0059][0060]
w2、w3、w4、w5、w6、w7相关求导公式可依照上述式3-1类推；
[0061][0062]
令上述式3-1(及其类推公式)和式3-2为0，可得到w1、w2、w3、w4、w5、w6、w7、b的最优解式3-3(及其类推公式)和式3-4：
[0063][0064]
w2、w3、w4、w5、w6、w7相关公式可依照上述式3-3类推；
[0065][0066]
进而得到最终的线性回归模型的预测方程。
[0067]
s3、根据项目测试的各阶段建立包含有至少一个隐变量z的分阶段工作量预测模型结构，所述分阶段工作量预测模型结构属于vae模型；其中，项目测试的各阶段包括测试方案编写工作量y1、需求分析工作量y2、案例设计工作量y3、测试执行工作量y4和测试报告编写工作量y5；分阶段工作量预测模型结构如式4所示：
[0068]
p(x)＝∫p(x|z)p(z)dz
ꢀꢀꢀ
式4
[0069]
其中，p(x)表示所需的分阶段工作量预测模型；p(x|z)为条件分布且其中x|z遵循n(μ(z),σ(z))的高斯分布，μ(z)表示均值，σ(z)表示方差；p(z)表示隐变量z的高斯分布，p(x|z)替代了f(z)，可以用概率公式明确表示x对z的依赖性。
[0070]
s4、根据项目测试历史数据中的总工作量计算确定分阶段工作量预测模型结构中的隐变量z，获得分阶段工作量预测模型；特别是，参照vae模型的通常建立方法，执行encoder(编码器)与decoder(解码器)过程，寻求模型对于相同的输入时，实现尽可能相同的输出。
[0071]
具体的，encoder过程也就是确定隐变量z的过程，这里需要用到另外一个分布，q(z|x)，其中q(z|x)～n(μ’(z),σ’(z))，主要这里的均值和方差都是对x进行的。encoder过
程用到的神经网络称为推断网络。而对于decoder过程，利用神经网络来调参以达到极大似然的目的。decoder过程用到的神经网络称为推断网络，即根据隐变量z生成输出数据的网络。
[0072]
s5、将待预测项目的各项相关变量特性输入测试工作量预测模型，计算得到预测总工作量。
[0073]
s6、将预测总工作量输入分阶段工作量预测模型，计算得到预测分阶段工作量，特别是，包括使用式5对隐变量z进行重参数：
[0074]
z＝μ ∈
×
σ
ꢀꢀꢀ
式5
[0075]
其中，μ表示均值，σ表示方差，∈为隐变量z的高斯分布中的采样值。
[0076]
在预测时，正向推断过程简化为：将样本x(预测总工作量)送入编码器可计算得到隐变量后验近似分布的各项参数(即高斯分布的均值和方差)，这时需要从分布中采样一个隐变量z，然后将z送入编码器，最后计算损失函数，反向传播更新参数。
[0077]
由于从分布中采样的过程是不可导的，即编码器计算的均值和方差参数在采样得到隐变量后就被“淹没”了，解码器面对的只是一个孤立的不知从哪个高斯分布采样得到的z，需要把μ(z)和σ(z)告诉编码器，否则反向传播时，传到采样得到z就会断掉。
[0078]
上述重参数的处理，通过直接在高斯分布中采样中采样得到∈，解决了这一问题。
[0079]
通过该流程将模型训练完成后，直接从p(z)中采样得到隐变量z，然后送入解码器，可得到最终的输出值y1、y2、y3、y4、y5，因而得到项目测试工作各阶段的工作量。
[0080]
本发明还涉及一种如图2所示结构的基于复合变量特性的分阶段工作量预测系统，包括：
[0081]
历史数据存储模块，用于存储项目测试历史数据；
[0082]
测试工作量预测模型生成模块，用于建立测试工作量预测模型；
[0083]
测试工作量预测模块，用于通过待预测项目的各项相关变量特性使用测试工作量预测模型计算得到预测总工作量；
[0084]
分阶段工作量预测模型生成模块，用于建立分阶段工作量预测模型；
[0085]
分阶段工作量预测模块，用于通过预测总工作量使用分阶段工作量预测模型计算得到预测分阶段工作量。
[0086]
通过使用该系统可以实现上述方法步骤的执行。
[0087]
以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换等都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。