Интеллектуальное прогнозирование трудоемкости IT-задач на основе исторических данных платформы «1С:Предприятие» с использованием гибридного ансамблевого метода

Предложен гибридный метод прогнозирования трудоемкости IT-задач при разработке и сопровождении решений на платформе «1С:Предприятие». Метод объединяет экспертную оценку, структурированные характеристики задачи, поиск семантически близких обращений по историческим данным и ансамбль моделей машинного обучения. Для формирования итогового прогноза используется метамодель, объединяющая результаты базовых алгоритмов и дополнительные признаки, полученные на основе исторических данных. Экспериментальная проверка выполнена на выборке, включающей более 12 тыс. завершенных задач. Предложенный метод обеспечил более высокую точность прогнозирования по сравнению с отдельными моделями машинного обучения и подтвердил эффективность совместного использования экспертных знаний, семантического поиска и исторических данных.

1. Мельников А.В. Методика оценки трудоемкости разработки на платформе «1С:Предприятие 8» / А.В. Мельников, Ф.А. Музалевский, Р.А. Солодуха // Судебная экспертиза. – 2026. – № 1 (85). – С. 124–137.

2. Ковалев А.Д. Методы автоматизации сопровождения программного обеспечения на основе интеллектуальной обработки запросов заказчика: автореф. дис. ... канд. техн. наук: 2.3.5 / Ковалев Артем Дмитриевич; Санкт-Петербургский политехнический университет Петра Великого. – Санкт-Петербург, 2023. – 18 с.

3. Fu M. GPT2SP: A Transformer-Based Agile Story Point Estimation Approach / M. Fu, Ch. Tantithamthavorn // IEEE Transactions on Software Engineering. – 2023. – Vol. 49, No. 2. – P. 611–625.

4. Fine-SE: Integrating Semantic Features and Expert Features for Software Effort Estimation / Y. Li, Zh. Ren, Zh. Wang [et al.] // Proceedings of the 46th IEEE/ACM International Conference on Software Engineering (ICSE 2024). – New York: ACM, 2024. – URL: https://ieeexplore.ieee.org/document/10548937 (дата обращения: 18.07.2026).

5. Analysis of Software Effort Estimation by Machine Learning Techniques / M.U. Nisa, M. Saqlain, M. Abid [et al.] // Ingénierie des Systèmes d'Information. – 2023. – Vol. 28, No. 6. – P. 1445–1457.