评估时间依赖方法与季节性效应在代码技术债务预测中的应用
软件工程
2025-06-23 v2
摘要
背景。代码技术债务（Code TD）预测在近期的软件工程研究中已获得显著关注。然而，没有任何标准化的代码技术债务预测方法能够完全捕捉影响其演化的因素。目标。本研究旨在评估时间依赖模型与季节性效应对代码技术债务预测的影响。我们将此类模型与广泛使用的机器学习模型进行对比，同时考虑季节性对预测性能的影响。方法。我们使用 31 个 Java 开源项目训练了 11 个预测模型。为评估其性能，我们预测了未来的 SQALE 指数观测值。为评估我们的技术债务预测模型的实际可用性及其对从业者的影响，我们调查了 23 位软件工程专业人员。结果。我们的研究证实了时间依赖技术的优势，ARIMAX 模型优于其他模型。季节性效应改善了预测性能，尽管影响仍然有限。ARIMAX/SARIMAX 模型被证明能够提供良好的长期预测。调查凸显了业界对短期至中期技术债务预测的强烈兴趣。结论。我们的发现支持使用能够捕捉历史软件指标数据中时间依赖性的技术，特别是针对代码技术债务。有效应对这些证据需要采用能够考虑时间模式的方法。
引用
@article{arxiv.2408.08095,
title = {Evaluating Time-Dependent Methods and Seasonal Effects in Code Technical Debt Prediction},
author = {Mikel Robredo and Nyyti Saarimaki and Matteo Esposito and Davide Taibi and Rafael Penaloza and Valentina Lenarduzzi},
journal= {arXiv preprint arXiv:2408.08095},
year = {2025}
}