Обзор алгоритмов прогнозирования трудоемкости для проектов на платформе «1С:Предприятие»

Рассмотрены современные методы прогнозирования трудоемкости задач разработки и сопровождения решений на платформе «1С:Предприятие». На основе опубликованных исследований сравниваются регрессионные модели, методы на основе деревьев решений, ансамблевые алгоритмы и языковые модели, применяемые для оценки трудоемкости разработки программного обеспечения. Отдельно рассматриваются данные, используемые при построении прогноза, включая структурированные характеристики задач, текстовые описания обращений, экспертные оценки и исторические данные.

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. BaniMustafa A. Predicting Software Effort Estimation Using Machine Learning Techniques / A. BaniMustafa // Proceedings of the 8th International Conference on Computer Science and Information Technology (CSIT 2018). – IEEE, 2018. – P. 249–256.

3. Satapathy Sh.M. Effort Estimation Methods in Software Development Using Machine Learning Algorithms / Sh.M. Satapathy // Academia.edu [Электронный ресурс]. – URL: https://www.academia.edu/71946155/Effort_Estimation_Methods_in_Software_Development_Using_Machine_Learning_Algorithms (дата обращения: 20.07.2026).

4. 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.

5. 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.

6. 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: 20.07.2026).

7. LightGBM: A Highly Efficient Gradient Boosting Decision Tree / G. Ke, Q. Meng, Th. Finley [et al.] // Advances in Neural Information Processing Systems 30. – 2017. – P. 3146–3154.