Ứng dụng mạng nơ ron trong phương pháp evm nhằm nâng cao chất lượng dự đoán mức độ hoàn thành dự án phần mềm

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LƯU VĂN HẢI ỨNG DỤNG MẠNG NƠ RON TRONG PHƯƠNG PHÁP EVM NHẰM NÂNG CAO CHẤT LƯỢNG DỰ ĐỐN MỨC ĐỘ HỒN THÀNH DỰ ÁN PHẦN MỀM LUẬN VĂN THẠC SĨ KỸ THUẬT NGÀNH CÔNG NGHỆ THÔNG TIN Hà Nội – Năm 2019 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LƯU VĂN HẢI ỨNG DỤNG MẠNG NƠ RON TRONG PHƯƠNG PHÁP EVM NHẰM NÂNG CAO CHẤT LƯỢNG DỰ ĐOÁN MỨC ĐỘ HOÀN THÀNH DỰ ÁN PHẦN MỀM LUẬN VĂN THẠC SĨ KỸ THUẬT NGÀNH CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: TS HUỲNH QUYẾT THẮNG Hà Nội – Năm 2019 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Lưu Văn Hải Đề tài luận văn: Ứng dụng mạng nơ-ron phương pháp EVM nhằm nâng cao chất lượng dự đốn mức độ hồn thành dự án phần mềm Chuyên ngành: Công nghệ thông tin Mã số SV: CB160560 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 27/04/2019 với nội dung sau: Cấu trúc lại luận văn theo yêu cầu Hội đồng: Gộp Chương Chương 2, thành chương với tiêu đề: Cơ sở lý thuyết Bổ sung nội dung cho Chương xếp nội dung sở lý thuyết trình bày theo thứ tự: Tổng quan kỹ thuật quản trị giá trị thu – EVM, Áp dụng kỹ thuật EVM quản trị dự án, Mô Monte Carlo ứng dụng EVM; Mạng Nơ ron; Mạng nơ-ron LSTM Trong Chương 1, bổ sung nội dung giải thíchcác thơng số đầu mơ Monte Carlo mơ hình mạng nơ-ron đầu tốn dự đốn chi phí hồn thành dự án lý sử dụng mạng nơ-ron (Mục 1.3) Trong Chương 2, bổ sung tổng hợp tài liệu tham khảo từ nghiên cứu liên quan (Mục 2.1.1) Lý giải chi tiết kiến trúc mạng LSTM đề xuất (Mục 2.2.2) Trong Chương 3, bổ sung nội dung Mục 3.2, giải thích đầy đủ tham số thực nghiệm Bổ sung so sánh kết thực nghiệm mơ hình mạng LSTM đề xuất với phương pháp sử dụng mơ hình tăng trưởng (Mục 3.4) SĐH.QT9.BM11 Ban hành lần ngày 11/11/2014 Phần Kết luận xây dựng lại để nêu xác nội dung nghiên cứu hồn thành luận văn Rà soát, hiệu chỉnh lỗi tả, lỗi trình bày trích dẫn Hà Nội, Ngày tháng năm 2019 Giáo viên hướng dẫn Tác giả luận văn PGS.TS Huỳnh Quyết Thắng Lưu Văn Hải CHỦ TỊCH HỘI ĐỒNG SĐH.QT9.BM11 Ban hành lần ngày 11/11/2014 LỜI CẢM ƠN Lời cho xin gửi lời cảm ơn sâu sắc đến thầy giáo PGS.TS Huỳnh Quyết Thắng – Viện Công nghệ thông tin & Truyền thông Đại học Bách khoa Hà Nội, tận tình hướng dẫn tơi suốt q trình thực luận văn Tôi xin chân thành cảm ơn quý thầy cô Viện Công nghệ thông tin & Truyền thơng nói riêng Đại học Bách khoa Hà Nội nói chung, giúp đỡ tơi suốt khố học Cuối xin cảm ơn quý bạn bè đồng nghiệp, người tạo điều giúp đỡ để tơi hồn thành khố học LỜI CAM ĐOAN Tôi Lưu Văn Hải, học viên lớp Cao học khoá 2016B - trường Đại học Bách khoa Hà Nội Tôi xin cam kết Luận văn cơng trình nghiên cứu thân hướng dẫn khoa học PGS.TS Huỳnh Quyết Thắng – Viện Công nghệ thông tin & Truyền thông – Trường Đại học Bách khoa Hà Nội Kế Luận văn trung thực không chép nguyên từ cơng trình khác Hà Nội, Ngày 15 tháng 05 năm 2019 Học viên Lưu Văn Hải DANH MỤC CÁC TỪ VIẾT TẮT Chữ viết tắt Tiếng Anh Nghĩa Tiếng Việt EVM Earned Value Management Quản lý giá trị thu PV Planned Value Giá trị dự kiến BCWS Budgeted Cost of Work Chi phí thuộc ngân quỹ cho Scheduled cơng việc theo tiến độ EV Earned Value Giá trị thu BCWP Budgeted Cost of Work Chi phí thuộc ngân quỹ cho Performed công việc thực CPI Cost Performance Index Chỉ số chi phí thực SPI Schedule Performance index Chỉ số tiến độ thực AC Actual Cost Chi phí thực tế ACWP Actual Cost of Worked Performed Chi phí thực tế thực CV Cost Variance Chênh lệch chi phí SV Schedule variance Chênh lệch chi phí thay đổi tiến độ BV Budget Variance Chênh lệch ngân sách AT Actual Time Thời gian thực tế BAC Budget at Completion Ngân quỹ dự kiến tới thời điểm hồn thành CAC Cost at Completion Chi phí để hồn thành dự án MR Management Reserve Dự trữ quản lý EAC Estimate at Completion Dự đốn thời điểm hồn thành ETC Dự đốn đến thời điểm hồn Estimate to Complete TAC Time at Completion Thời gian để hoàn thành RNN Recurrent Neural Network Mạng neural hồi quy LSTM Long Short-Term Memory nhớ ngắn hạn dài ANN Artificial Neural Network Mạng nơ ron nhân tạo GD Gradient descent Gradient descent DANH MỤC CÁC BẢNG, CÔNG THỨC VÀ HÌNH VẼ Danh mục hình vẽ Hình 1: Mơ Monte Carlo EVM [10] 21 Hình 2: Kiến trúc mạng Nơ ron [13] 24 Hình 3: Kiến trúc mạng LSTM 29 Hình 4: Kiến trúc mạng nơ-ron sử dụng tầng kết nối đầy đủ 34 Hình 5: Tối ưu hàm mục tiêu miền giá trị chứa điểm yên ngựa 40 Hình 6: Kiến trúc mạng LSTM đề xuất 41 Hình 7: Cấu trúc phần mềm xây dựng 43 Hình 8: Giao diện khởi động 45 Hình 9: Luồng huấn luyện 45 Hình 10: Lựa chọn liệu huấn luyện 46 Hình 11: Lựa chọn số vịng lặp huấn luyện 46 Hình 12: Lựa chọn thuật tốn tối ưu hàm mục tiêu 47 Hình 13: Luồng dự đốn 47 Hình 14: Giao diện dự đốn 48 Hình 15: Dữ liệu dự đốn thử nghiệm 48 Hình 16: Giao diện hiển thị kết dự đoán 49 Hình 17: Biểu đồ giá trị loss trình training mạng LSTM với liệu thật 53 Hình 18: Biểu đồ giá trị loss trình training mạng LSTM với liệu sinh 53 Danh mục bảng Bảng 1: Thư viện sử dụng phần mềm đề xuất 44 Bảng 2: Dữ liệu chi phí dự án 50 Bảng 3: Kết thực nghiệm LSTM 56 Bảng 4: Kết thực nghiệm LSTM sử dụng tiêu chuẩn PE 56 Danh mục công thức Công thức 1: Chênh lệch chi phí 16 Công thức 2: Giá trị thu 17 Công thức 3: Ngân quỹ dự kiến 17 Công thức 4: Giá trị thu tính theo tỷ lệ dự án hồn thành 17 Cơng thức 5: Chênh lệch chi phí thay đổi tiến độ 18 Công thức 6: Chỉ số tiến độ thực 18 Công thức 7: Chênh lệch chi phí lệch kế hoạch 18 Công thức 8: Chênh lệch chi phí việc sử dụng bọ tham số khác 18 Cơng thức 9: Chỉ số chi phí thực 18 Công thức 10: Dự đốn chi phí ước tính hồn thành dự án thời điểm 19 Cơng thức 11: Dự đốn đến thời điểm hồn thành 19 Công thức 12: Hàm kích hoạt 25 Công thức 13: hàm sigmoid 25 Công thức 14: hàm 25 Công thức 15: hàm softmax 25 Công thức 16: hàm ReLu 26 Công thức 17: hàm Leaky ReLu 26 Dưới bảng thông tin tổng hợp 10 dự án, đánh số từ A đến K, Bảng Dự án Ngân sách Thời gian Chi phí Thời (BAC) (PD) thực tế gian (triệu) (tháng) (triệu) thực tế Đánh giá (tháng) A 231.28 18 259.69 22 Chậm kế hoạch, ngân sách B 480 20 529.35 24 Chậm kế hoạch, ngân sách C 287.5 324.7 12 Chậm kế hoạch, ngân sách D 360.738 349.379 13 Chậm kế hoạch, ngân sách E 906 10 925 Trước kế hoạch, ngân sách F 1350 1400 10 Chậm kế hoạch, ngân sách G 1230 15 1417 17 Chậm kế hoạch, ngân sách H 670.71 18 712.69 20 Chậm kế hoạch, ngân sách I 912 20 989.92 21 Chậm kế hoạch, ngân sách K 1150 16 1090.25 15 Trước kế hoạch, ngân sách Bảng 2: Dữ liệu chi phí dự án 50 Do số lượng liệu hạn chế, thực nghiệm chọn liệu để huấn luyện, cho mơ hình dự đốn dự án cịn lại Q trình thực với liệu A, B, C, D, E so sánh với kết thực nghiệm mơ hình tăng trưởng [12] Ngồi ra, để mơ thực tế, thử nghiệm mạng quy mô lớn, khó khăn thu thập liệu, nên tự sinh liệu hàm ngẫu nhiên, EV AC giai đoạn sau lớn giai đoạn trước, sinh hàm ngẫu nhiên hỗ trợ thư viện numpy Dữ liệu sinh gồm có 132 tiến độ ảo dự án thật, kéo dài từ đến 22 tháng, cấu trúc với 10 liệu thật Để sinh liệu, lấy dự án bất kỳ, chép số tháng dự án (số tháng chép sinh ngẫu nhiên theo phân phối chuẩn từ tháng đầu đến tháng cuối), cộng thêm nhiễu gauss 1% giá trị EV AC Các tháng sinh cách lấy giá trị ngẫu nhiên EV, AC từ tháng liền trước đến tháng xét theo phân phối chuẩn cộng thêm giá trị ngẫu nhiên từ đến 50% hiệu giá trị tháng 3.3.Cài đặt mơi trường thử nghiệm Chương trình thực phương pháp dự đoán sử dụng mạng nơ ron nhân tạo cài đặt ngôn ngữ Python, chạy hệ điều hành Windows Server 64-bit, sử dụng các gói thư viện xử lý toán học thống kê Numpy, Scipy, Pandas, Statsmodels; gói thư viện xử lý đồ họa Matplotlib thư viện deep learning Tensorflow Đánh giá kết dự đoán ngoại suy phương pháp mạng nơ ron nhân tạo thực sau: lặp qua điểm tập kiểm thử để dự đoán chi phí thời điểm hồn thành dự án điểm kiểm thử theo cơng thức đo phần trăm sai số (PE); Sau bước lặp ta bổ sung giá trị quan 51 sát điểm dự đoán vào tập huấn luyện lặp lại bước thực q trình dự đốn Tiếp đến, chúng tơi tiến hành cài đặt phương pháp dự đoán cải tiến [12] phương pháp LSTM sử dụng liệu đầu vào thực dự đoán tập liệu kiểm thử 3.3.1.Phần cứng • CPU: CPU Intel Xeon E5-2683 V3 2.0 GHz / 35MB / 14 Cores 28 Threads/ Socket 2011-3 • RAM: 16GB • GPU: Nvidia Tesla K80 24GB • Nền tảng: Google Cloud Platform 3.3.2.Phần mềm • Ngơn ngữ lập trình: Python 3.5 • Thư viện lập trình: • Tính tốn: Tensorflow • Giao diện: easygui • Mơi trường triển khai: Docker 3.4 Đánh giá chi phí kết đạt 3.4.1.Tính tốn chi phí thời gian hồn thành dự án theo mơ hình Thơng tin q trình huấn luyện, ta thu thơng tin theo bảng sau: 52 Hình 17: Biểu đồ giá trị loss trình training mạng LSTM với liệu thật Hình 18: Biểu đồ giá trị loss trình training mạng LSTM với liệu sinh 3.4.2 Tiêu chuẩn sử dụng để so sánh PE phản ánh hiệu phương pháp việc dự đốn chi phí hồn thành dự án PE sai khác chi phí thực tế chi phí ước lượng tính theo phần trăm: 53 𝑷𝑬() = 𝑬𝑨𝑪 − 𝑨𝑪 ∗ 𝟏𝟎𝟎 𝑨𝑪 Công thức 37: Độ đo phần trăm sai số 3.4.3.Các mơ hình tham chiếu Nhằm phản ánh hiệu phương pháp đề xuất việc dự đốn chi phí hồn thành dự án Tơi tìm hiểu sử dụng kết thuật toán đề xuất trước [12] sử dụng tập liệu Kết thu định lượng hiệu mơ hình Từ so sánh ưu, nhược điểm phương pháp nói với tham chiếu tương ứng phương pháp đề xuất biến thể mơ hình kết hợp GM EVM nhằm dự đốn chi phí hồn thành dự án Mơ hình tăng trưởng (GM) yếu tố quan trọng biến thể Theo đó, Để tính chi phí thời điểm hoàn thành dự án, ta sử dụng cơng thức: • 𝑬𝑨𝑪(𝒙) = 𝑨𝑪(𝒙) + [𝑮𝑴(𝟏 𝟎) − 𝑮𝑴(𝒙)] ∗ 𝑩𝑨𝑪 Cơng thức 38: Chi phí hồn thành dự án theo GM • Trong đó: • AC(x): chi phí thời điểm dự đốn x • GM(x): giá trị mơ hình tăng trưởng thời điểm dự đốn x Nếu x=1.0 tức hồn thành dự án Mặt khác, theo EVM, ta có cơng thức thời gian hoàn thành dự án (TEAC) theo Thời gian theo kế hoạch (ES): 𝑇𝐸𝐴𝐶 = 𝐴𝑇 + 𝑃𝐷 − 𝐸𝑆 𝑃𝐹 Cơng thức 39: Thời gian hồn thành dự án thực tế theo ES 54 Từ công thức trên, ta thu biến thể khác để tính chi phí hoàn thành dự án sau: 𝐶𝐸𝐴𝐶 (𝑥) = 𝐴𝐶 (𝑥) + [𝐺𝑀(1.0) − 𝐺𝑀 (𝑥)] ∗ 𝐵𝐴𝐶 Công thức 40: CEAC GM 𝐶𝐸𝐴𝐶𝐺𝑀−𝐸𝑆1 = AC(x) + [GM ( ) t GM(x)] ∗ BAC SPI Công thức 41: CEAC GM - ES1 𝐶𝐸𝐴𝐶𝐺𝑀−𝐸𝑆2 = AC(x) + [GM(𝑇𝐸𝐴𝐶𝐺𝑀−𝐸𝑆2 ) − GM(x)] ∗ BAC Công thức 42: CEAC GM - ES2 • 𝐶𝐸𝐴𝐶𝐺𝑀−𝐸𝑆3 = AC(x) + [GM(𝑇𝐸𝐴𝐶𝐺𝑀−𝐸𝑆3 ) − GM(x)] ∗ BAC Công thức 43: CEAC GM-ES3 3.4.5.Kết đạt Thực nghiệm LSTM, so sánh với phương pháp sử dụng mơ hình tăng trưởng [12]: Dự án A B C D E % thực CEAC GM 25 50 75 25 50 75 25 50 75 25 50 75 25 244.33 251.98 253.79 512.56 508.17 522.11 282 283.75 284.74 378.8 344.44 351.16 927.51 CEAC CEAC CEAC Mạng Giá trị GMGMGMLSTM thực ES1 ES2 ES3 257.62 247.18 290.1 296.03 259.69 268.45 259.06 290.86 266.66 259.69 257.95 256.81 263.24 269.37 259.69 525.28 514.93 571.23 486.14 529.35 528.88 517.39 564.89 527.26 529.35 538.63 532.92 552.25 542.38 529.35 321.85 291.86 327.78 281.6 324.7 313.04 296.56 328.6 325.21 324.7 319.91 306.32 327.32 324.21 324.7 384.36 379.84 371.02 348.61 349.379 351.83 347.52 341.41 344.25 349.379 357.38 355.92 334.91 330.75 349.379 919.61 925.8 907.21 903.83 925.000 55 50 75 940.85 967.21 938.97 956.49 939.91 959.15 944.38 958.35 964.61 908.128 925 925 Bảng 3: Kết thực nghiệm LSTM Kết dự đoán phương pháp sử dụng LSTM : Dự án A B C D E % thực CEACGM CEAC CEAC CEAC \GM-ES1 GM-ES2 GM-ES3 Mạng LSTM 25 5.9147 0.7971 4.8173 11.7101 13.9936 50 2.9689 3.3733 0.2426 12.0028 2.6840 75 2.2719 0.6700 1.1090 1.3670 3.7275 25 3.1718 0.7689 2.7241 7.9116 8.1628 50 4.0011 0.0888 2.2594 6.7139 0.3948 75 1.3677 1.7531 0.6744 4.3261 2.4615 25 13.1506 0.8777 10.1140 0.9486 13.2738 50 12.6116 3.5910 8.6665 1.2011 0.1571 75 12.3067 1.4752 5.6606 0.8069 0.1509 25 8.4209 10.0123 8.7186 6.1941 0.2201 50 1.4137 0.7015 0.5321 2.2809 1.4680 75 0.5098 2.2901 1.8722 4.1413 5.3320 25 0.2714 0.5827 0.0865 1.9232 2.2886 50 1.7135 1.5103 1.6119 2.0951 4.2822 75 4.5632 3.4043 3.6919 3.6054 1.8240 Bảng 4: Kết thực nghiệm LSTM sử dụng tiêu chuẩn PE Có thể thấy, kết dự đốn mơ hình LSTM tốt so với kết đầu Đặt biệt, số trường hợp, kết dự đoán tốt bốn 56 phương pháp sử dụng mơ hình tăng trưởng dự đoán giai đoạn dự án A, C giai đoạn dự đoán muộn dự án E Tuy nhiên, số trường hợp, dự đoán dự án E sai số tương đối lớn cho thấy mơ hình cần thêm nhiều cải tiến Kết tự sinh, độ xác PE trung bình đạt với tập test A, B, C, D, E là: 42% Kết thu cịn nhiều khiêm tốn việc sinh ngẫu nhiên làm nhiễu tính trừu tượng tiến độ hoàn thành dự án thực tế, dẫn đến quy luật học quy luật ngẫu nhiên 3.5 Phân tích đánh giá Tương ứng với ba nhiệm vụ đặt ra, nghiên cứu đạt ba kết Kết nghiên cứu tổng hợp sở lý thuyết cần thiết Trong phần lý thuyết luận văn trình bày đọng, xúc tích EVM, phương pháp phân tích tương ứng tập trung tìm hiểu chi tiết lý thuyết phương pháp áp dụng để dự báo chi phí thời gian hồn thành dự án, bao gồm mơ hình chuỗi thời gian, mơ hình dự đốn truyền thống ứng dụng mạng nơ ron nhân tạo Kết thứ hai nghiên cứu đạt đề xuất mặt lý thuyết phương pháp dự đốn chi phí thời gian hồn thành dự án, mơ hình mạng nơ ron nhân tạo Kết thực nghiệm phương pháp mạng nơ-ron kết khả quan, đồng thời khẳng định tính đắn phương pháp đề xuất, qua khẳng định việc dự đốn chi phí thời gian hoàn thành dự án khả thi sử dụng mạng nơ-ron Kết thứ ba cài đặt chương trình dự đốn ngơn ngữ Python cho phương pháp dự đoán kết hợp đề xuất Đánh giá kết phương pháp dự đoán đề xuất thực nghiệm, tính tốn sai số so sánh với phương pháp dự đoán riêng lẻ 57 KẾT LUẬN Kết luận Luận văn nghiên cứu với đề tài “Ứng dụng mạng nơ ron phương pháp EVM nhằm nâng cao chất lượng dự đoán mức độ hoàn thành dự án phần mềm” hồn thành thực ba nhiệm vụ đặt - Tìm hiểu khái quát kĩ thuật quản lý giá trị thu được, phương pháp sử dụng phân tích EVM, tập trung vào phương pháp dự đốn chi phí thời gian hồn thành dự án, mơ hình mạng nơ ron nhân tạo - Xác định liệu đầu vào cho tốn phân tích liệu đầu vào Từ làm sở để tơi xây dựng mặt lý thuyết phương pháp dự đoán sử dụng mạng nơ ron nhân tạo LSTM-ANN để dự đốn chi phí thời gian hoàn thành dự án - Cài đặt chương trình dự đốn ngơn ngữ Python cho phương pháp dự đoán kết hợp đề xuất Đánh giá kết phương pháp dự đoán đề xuất thực nghiệm, tính tốn sai số so sánh với phương pháp dự đoán riêng lẻ Các kết đạt luận văn: Thứ nhất, tổng hợp sở lý thuyết cần thiết Nội dung trình bày Chương 1: khái niệm EVM, phương pháp phân tích tương ứng tập trung tìm hiểu chi tiết lý thuyết phương pháp áp dụng để dự báo chi phí thời gian hồn thành dự án, bao gồm mơ hình chuỗi thời gian, mơ hình dự đốn truyền thống ứng dụng mạng nơ ron nhân tạo Thứ hai, đề xuất phương pháp xây dựng mạng LSTM để dự đoán thông số theo EVM mặt lý thuyết: phương pháp dự đốn chi phí thời gian hồn thành dự án, mơ hình mạng nơ ron 58 Thứ ba, xây dựng công cụ mô thử nghiệm phương pháp liệu thực nghiệm Chương trình đề xuất khơng cung cấp giao diện dễ hình dung q trình học mơ hình, mà cịn cho phép người dùng cấu hình tham số truyền vào, để qua thử nghiệm tính đắn thuật toán Kết thực nghiệm phương pháp mạng Nơ ron kết khả quan, đồng thời khẳng định tính đắn phương pháp đề xuất, qua khẳng định việc dự đốn chi phí thời gian hồn thành dự án khả thi sử dụng Mạng Nơ ron nhân tạo Những khó khăn hướng giải thực luận văn: • Khó khăn tìm kiếm tài liệu khai phá liệu EVM dự đốn chi phí sử dụng mạng nơ-ron Trong trình thực nghiên cứu, tơi gặp khó khăn định phải tìm hướng giải khó khăn Khó khăn việc tìm kiếm tài liệu phân tích định tính định lượng q trình dự án từ lúc bắt đầu đến hoàn thành Tôi phải nhờ giúp đỡ giáo viên hướng dẫn, tìm kiếm tài liệu khác mạng Internet để tổng hợp, chọn lọc tài liệu hay phù hợp để tiến hành nghiên cứu áp dụng mơ hình thử nghiệm • Khó khăn tìm kiếm liệu cho trình thực nghiệm Khó khăn thứ hai nhu cầu sử dụng đa dạng liệu dự án chiều sâu thông tin trình triển khai dự án thực tế Dữ liệu lịch sử giai đoạn dài, thuận lợi cho mơ hình để trích rút tín hiệu cần thiết để dự đốn hiệu Vì phương pháp đòi hỏi liệu lịch sử giai đoạn dài nên việc thu thập thủ công khó khăn Hướng giải 59 tơi xây dựng chương trình python để xử lý tính tốn với liệu phức tap • Khó khăn thiết kế, cài đặt chương trình dự đốn Khó khăn thứ ba thiết kế cài đặt chương trình dự đốn theo phương pháp mạng Nơ ron nhân tạo Mặc dù giao diện, chương trình demo chạy hệ điều hành windows, toàn trình huấn luyện cho mơ hình viết ngơn ngữ Python chạy hệ điều hành Linux Tôi chọn hệ điều hành Ubuntu máy chủ Ubuntu cung cấp câu lệnh tin cậy thông qua phương thức điều khiển bảo mật (Secure Shell ) phù hợp với nhu cầu chương trình cài đặt ngồi khả tính tốn, chương trình cịn hiển thị biểu đồ kết hình giao diện người dùng Việc cài đặt ngơn ngữ Python tất gói phần mềm nêu mục 3.2.1 tảng Google Cloud Platform khó khăn Tơi phải tìm kiếm giải pháp khác mạng Internet tiến hành cài đặt gói phần mềm phụ thuộc thành cơng Việc thiết kế chương trình cho dễ hiểu thực phương pháp dự đoán nêu phần lý thuyết Khó khăn gỡ rối phát triển chương trình dự đốn theo phương pháp kết hợp LSTM Đây coi khó khăn mà tơi gặp phải Các mơ hình phân tích định lượng thường phải xử lý khối lượng liệu lớn, có nhiều tham số hay siêu tham số cho mơ hình nên khối lượng tính tốn cho mơ hình lớn, nên địi hỏi thời gian tính tốn lâu Điều đồng nghĩa với việc xây dựng chương trình dự đốn theo phương pháp kết hợp, cơng việc gỡ rối, chạy thử nghiệm chương trình tốn nhiều thời gian Tơi phải kiên nhẫn bước để hồn thành chương trình dự đốn thu kết kiểm thử cho phương pháp 60 Định hướng phát triển Do khả thời gian hạn chế nên nghiên cứu dừng lại nghiên cứu thử nghiệm ban đầu Mỗi mơ hình sử dụng phương pháp kết hợp đề xuất Mục 3.2 nghiên cứu cải tiến để tăng kết dự đoán cho phương pháp kết hợp mơ hình Một hướng phát triển để cải tiến kết dự đoán thành phần ngẫu nhiên theo phương pháp mạng Nơ ron tiền xử lý liệu kết hợp mạng Nơ ron phù hợp cho giảm kết nhanh hàm mục tiêu Dữ liệu đóng vai trị quan trọng phương pháp dự đoán Hạn chế đầu vào liệu lớn khối lượng tính tốn lớn nên địi hỏi thời gian tính tốn lâu Một hướng phát triển cho phương pháp đề xuất tăng tốc khả tính tốn Việc tăng tốc khả tính tốn thực giải thuật tính tốn xấp xỉ, tăng khả tính tốn máy chủ việc phân tán môi trường nhiều máy chủ kết nối với mơi trường điện tốn đám mây (cloud computing), tính tốn lưới (grid computing), v.v 61 TÀI LIỆU THAM KHẢO [1] C Bower New Directions in Project Performance and Progress Evaluation Phd Thesis, Management, School of Construction, Property and Project RMIT University, Melbourne, Australia http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.463.1857&rep=rep 1&type=pdf [2] A.I Adekitan Monte Carlo Simulation, September 2014 https://www.academia.edu/8748422/Monte_Carlo_Simulation [3] Python Downloads: https://www.python.org/ Monte Carlo Simulation code: https://github.com/csu/pymontecarlo [4] KEITH DERNS Earned Value Management Implementation Guide https://www.dau.mil/cop/evm/DAU%20Sponsored%20Documents/EVMIG% 20Oct2006.pdf [5] THS Nguyễn Hữu Quốc Giáo trình Quản lý dự án Học viện Bưu Viễn Thơng, 2007 [6] Luis F Cândido, José Paula Barros Neto Critical analysis on earned value management (EVM) technique in building construction, June 2014 https://pdfs.semanticscholar.org/3764/fb2ef52071b9c515cff33b8ee10df7c8e2 f0.pdf [7] Gregory T Haugan Effective Work Breakdown Structures (The Project Management Essential Ibrary Series) Berrett-Koehler Publishers; edition (October 1, 2001), ISBN-13: 978-1567261356, 120 pages [8] Milind Padalkar, Saji Gopinath Earned value analysis in project management: Survey and research potential p2-3 62 [9] S Raychaudhuri Introduction to Monte Carlo simulation In S J Mason, R R Hill, L Măonch, O Rose, T Jefferson, and J W Fowler, editors, Proceedings of the 2008 Winter Simulation Conference, 2008 P166-172 [10] Akhbari, Mahdieh Project Time and Cost Forecasting Using Monte Carlo Simulation and Artificial Neural Networks International Journal of Engineering Science (2008-4870) 29.2 (2018) [11] Jordy Batselier, Mario Vanhouck Evaluation of deterministic state-ofthe-art forecasting International Journal of Project Management, Volume 33, Issue 7, October 2015, Pages 1588-1596 [12] Lê Thế Anh, Nguyễn Thanh Hùng, Huỳnh Quyết Thắng, Nguyễn Văn Căn, Hiệu chỉnh hệ số hiệu suất tương lai PF phương pháp EVM-GM đánh giá mức độ hoàn thành dự án phần mềm: thử nghiệm đánh giá Kỷ yếu Hội thảo quốc gia lần thứ XXI: Một số vấn đề chọn lọc Công nghệ thông tin truyền thơng – Thanh Hóa, 27-28/7/2018, Trang 137-143, ISBN 978-604-67-1104-9, xuất tháng 7/2018 [13] Vũ Hữu Tiệp Machine Learning Cơ Nhà Xuất Bản Khoa học & kỹ thuật, 2018, 415 trang [14] Min-Yuan Cheng, Hsien-Sheng Peng, Yu-Wei Wu, Te-Lin Chen Estimate at Completion for construction projects using Evolutionary Support Vector Machine Inference Model (p 2-5) March 2010 [15] Hochreiter, Sepp, and Jürgen Schmidhuber LSTM can solve hard long time lag problems Proceeding NIPS'96 Proceedings of the 9th International Conference on Neural Information Processing Systems, Pages 473-479, 1996 [16] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun Delving deep into rectifiers: Surpassing human-level performance on imagenet classification https://arxiv.org/abs/1502.01852 63 [17] Kingma, Diederik P., and Jimmy Ba Adam: A method for stochastic optimization https://arxiv.org/abs/1412.6980 [18] M Wauters and M Vanhoucke Support vector machine regression for project control forecasting Automation in Construction, Vol 47, (2014), pp 92-106 [19] F Acebes, J Pajares, J M Galán, and A López-Paredes A new approach for project control under uncertainty Going back to the basics International Journal of Project Management, Vol 32, No 3, (2014), pp 423434 https://doi.org/10.1016/j.ijproman.2013.08.003Get [20] F Acebes, M Pereda, D Poza, J Pajares, and J M Galán Stochastic earned value analysis using Monte Carlo simulation and statistical learning techniques International Journal of Project Management, Vol 33, No 7, (2015), pp 1597-1609 [21] M Wauters and M Vanhoucke A comparative study of Artificial Intelligence methods for project duration forecasting Expert Systems with Applications, Vol 46, (2016), pp 249-261 [22] D S Christensen, R C Antolini, and J W McKinney A review of estimate at completion research In The Journal of Cost Analysis, Vol 12, No 1, (1995), pp 41-62 64 ... việc ứng dụng mạng nơ ron phương pháp EVM nhằm nâng cao chất lượng dự đốn mức độ hồn thành dự án phần mềm Đề tài đề xuất tìm hiểu khía cạnh việc ứng dụng sâu thử nghiệm mơ hình mạng nơ ron có... Mạng nơ ron phương pháp EVM Phạm vi: Quản trị dự án phần mềm Phương pháp nghiên cứu: Đánh giá mức độ hoàn thành dự án phần mềm khâu quan trọng giúp cho nhà quản lý dự án kiểm soát tiến độ thực dự. .. vi phương pháp nghiên cứu Mục tiêu: Đề tài thực nhằm nâng cao chất lượng dự đốn mức độ hồn thành dự án phần mềm qua việc xây dựng mơ hình mạng nơ ron phương pháp EVM Từ kết trên, chúng áp dụng