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

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự do – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ và tên tác giả luận văn: Lưu Văn Hải Đề tài luận văn: Ứng dụng mạng nơ-ron tr

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

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

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc lập – Tự do – Hạnh phúc

BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ

Họ và tên tác giả luận văn: Lưu Văn Hải

Đề tài luận văn: Ứng dụng mạng nơ-ron trong phương pháp EVM nhằm

nâng cao chất lượng dự đoán mức độ hoàn thành dự án phần mềm

Chuyên ngành: Công nghệ thông tin

Mã số SV: CB160560

Tác giả, Người hướng dẫn khoa học và Hội đồng chấm luận văn xác nhận tác giả đã sửa chữa, bổ sung luận văn theo biên bản họp Hội đồng ngày 27/04/2019với các nội dung sau:

1 Cấu trúc lại luận văn theo yêu cầu của Hội đồng: Gộp Chương 1 và Chương

2, thành một chương mới với tiêu đề: Cơ sở lý thuyết.Bổ sung các nội dung cho Chương 1 mới này và sắp xếp các nội dung cơ sở lý thuyết trình bày theo thứ tự: Tổng quan về kỹ thuật quản trị giá trị thu được – EVM, Áp dụng

kỹ thuật EVM trong quản trị dự án, Mô phỏng Monte Carlo và ứng dụng trong EVM; Mạng Nơ ron; Mạng nơ-ron LSTM

2 Trong Chương 1, bổ sung các nội dung giải thíchcác thông số đầu ra của mô phỏng Monte Carlo trong mô hình mạng nơ-ron và đầu ra của bài toán dự đoán chi phí hoàn thành dự án và lý do sử dụng mạng nơ-ron (Mục 1.3)

3 Trong Chương 2, bổ sung tổng hợp các tài liệu tham khảo từ các nghiên cứu liên quan (Mục 2.1.1) Lý giải chi tiết kiến trúc mạng LSTM đề xuất (Mục 2.2.2)

4 Trong Chương 3, bổ sung nội dung của Mục 3.2, giải thích đầy đủ các tham

số thực nghiệm Bổ sung so sánh về kết quả thực nghiệm giữa mô hình mạng LSTM đề xuất với các phương pháp sử dụng mô hình tăng trưởng (Mục 3.4)

5 Phần Kết luận được xây dựng lại để nêu đúng và chính xác các nội dung nghiên cứu đã hoàn thành trong luận văn

6 Rà soát, hiệu chỉnh các lỗi chính tả, các lỗi trình bày và trích dẫn

Giáo viên hướng dẫn

PGS.TS Huỳnh Quyết Thắng

Hà Nội, Ngày tháng năm 2019

Tác giả luận văn

Lưu Văn Hải

CHỦ TỊCH HỘI ĐỒNG

LỜI CẢM ƠN

Lời đầu tiên cho tôi xin được 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, đã tận tình hướng dẫn tôi trong suốt quá trình thực hiện luận văn

Tôi xin chân thành cảm ơn quý thầy cô ở Viện Công nghệ thông tin & Truyền thông nói riêng và Đại học Bách khoa Hà Nội nói chung, đã giúp đỡ tôi trong suốt khoá học

Cuối cùng tôi xin cảm ơn quý bạn bè và đồng nghiệp, những người đã tạo điều hiện cũng như giúp đỡ để tôi có thể hoàn thành khoá học

LỜI CAM ĐOAN

Tôi là Lưu Văn Hải, học viên lớp Cao học khoá 2016B - trường Đại học Bách khoa Hà Nội Tôi xin cam kết Luận văn này là công trình nghiên cứu của bản thân dưới sự hướng dẫn khoa học của PGS.TS Huỳnh Quyết Thắng – Viện Công nghệ thông tin & Truyền thông – Trường Đại học Bách khoa Hà Nội

Kế quả trong Luận văn là trung thực và không sao chép nguyên bản từ bất kỳ một công trình nào khác

Hà Nội, Ngày 15 tháng 05 năm 2019 Học viên

DANH MỤC CÁC TỪ VIẾT TẮT

EVM Earned Value Management Quản lý giá trị thu được

PV Planned Value Giá trị dự kiến

BCWS Budgeted Cost of Work

Scheduled

Chi phí thuộc ngân quỹ cho công việc theo tiến độ

EV Earned Value Giá trị thu được

BCWP Budgeted Cost of Work

Performed

Chi phí thuộc ngân quỹ cho công việc đã thực hiện

CPI Cost Performance Index Chỉ số chi phí thực hiện

SPI Schedule Performance index Chỉ số tiến độ thực hiện

AC Actual Cost Chi phí thực tế

ACWP Actual Cost of Worked Performed Chi phí thực tế đã thực hiện

CV Cost Variance Chênh lệch chi phí

SV Schedule variance Chênh lệch chi phí do 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

hoàn thành

CAC Cost at Completion Chi phí để hoàn thành dự án

MR Management Reserve Dự trữ quản lý

EAC Estimate at Completion Dự đoán tại thời điểm hoàn

thành

ETC Estimate to Complete Dự đoán đến thời điểm hoàn

thanh

TAC Time at Completion Thời gian để hoàn thành

RNN Recurrent Neural Network Mạng neural hồi quy

LSTM Long Short-Term Memory bộ 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 các hình vẽ

Hình 1: Mô phỏng Monte Carlo trong EVM [10] 21

Hình 12: Lựa chọn thuật toán tối ưu hàm mục tiêu 47

Hình 16: Giao diện hiển thị kết quả dự đoán 49Hình 17: Biểu đồ giá trị loss trong quá trình training mạng LSTM với dữ

Hình 18: Biểu đồ giá trị loss trong quá trình training mạng LSTM với dữ

Danh mục các bảng

Bảng 1: Thư viện sử dụng trong phần mềm đề xuất 44

Bảng 2: Dữ liệu chi phí các dự án 50

Bảng 3: Kết quả thực nghiệm LSTM 56

Bảng 4: Kết quả thực nghiệm LSTM sử dụng tiêu chuẩn PE 56

Danh mục các công thức Công thức 1: Chênh lệch chi phí 16

Công thức 2: Giá trị thu được 17

Công thức 3: Ngân quỹ dự kiến 17

Công thức 4: Giá trị thu được tính theo tỷ lệ dự án hoàn thành 17

Công thức 5: Chênh lệch chi phí do thay đổi tiến độ 18

Công thức 6: Chỉ số tiến độ thực hiện 18

Công thức 7: Chênh lệch chi phí do lệch kế hoạch 18

Công thức 8: Chênh lệch chi phí bằng việc sử dụng bọ tham số khác 18

Công thức 9: Chỉ số chi phí thực hiện 18

Công thức 10: Dự đoán chi phí ước tính hoàn thành dự án tại thời điểm hiện tại 19

Công thức 11: Dự đoán đến thời điểm hoàn thành 19

Công thức 12: Hàm kích hoạt 25

Công thức 13: hàm sigmoid 25

Công thức 14: hàm tanh 25

Công thức 15: hàm softmax 25

Công thức 16: hàm ReLu 26

Công thức 17: hàm Leaky ReLu 26

Công thức 18: Hàm cross entropy 26

Công thức 19: Hàm trung bình sai số bình phương 27

Công thức 20: Tính feedforward trọng mạng nơ-ron 27

Công thức 21: Hàm mất mát mean square error 27

Công thức 22: Công thức tính lan truyền ngược 28

Công thức 23: Hàm quên LSTM 30

Công thức 24:Hàm quyết định cập nhật LSTM 30

Công thức 25: Hàm cập trạng thái LSTM 30

Công thức 26: Cập nhật trạng thái một node LSTM 30

Công thức 27: Output một node LSTM 31

Công thức 28: Hàm trạng thái ẩn của một node LSTM 31

Công thức 29: Tính giá trị net 33

Công thức 30: Tính giá trị net với 𝑥𝑖 = 1 33

Công thức 31: Hàm trung bình bình phương sai số 35

Công thức 32: Cập nhật Gradient 35

Công thức 33: Hàm Hard sigmoid 38

Công thức 34: Leaky Relu với hệ số 0.1 39

Công thức 35: Cập nhật trọng số trong thuật toán tối ưu adam 40

Công thức 36: Hàm trung bình sai số bình phương 41

Công thức 37: Độ đo phần trăm sai số 54

Công thức 38: Chi phí hoàn thành dự án theo GM 54

Công thức 39: Thời gian hoàn thành dự án thực tế theo ES 54

Công thức 40: CEAC GM 55

Công thức 41: CEAC GM - ES1 55

Công thức 42: CEAC GM - ES2 55Công thức 43: CEAC GM-ES3 55

MỤC LỤC

LỜI CẢM ƠN 1

LỜI CAM ĐOAN 2

DANH MỤC CÁC TỪ VIẾT TẮT 3

DANH MỤC CÁC BẢNG, CÔNG THỨC VÀ HÌNH VẼ 5

Danh mục các hình vẽ 5

Danh mục các bảng 6

Danh mục các công thức 6

MỤC LỤC 9

MỞ ĐẦU 11

1.Lý do chọn đề tài, tính cấp thiết của đề tài 11

2.Mục tiêu, nhiệm vụ, đối tượng, phạm vi và phương pháp nghiên cứu 12

3.Cấu trúc luận văn 12

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT 14

1.1 Tổng quan về kỹ thuật quản lý giá trị thu được – EVM 14

1.1.1 Khái niệm quản lý giá trị thu được 14

1.1.2 Các đặc trưng của EVM 15

1.2 Áp dụng kỹ thuật EVM trong quản trị dự án 16

1.2.1 Theo dõi dự án không áp dụng kỹ thuật quản lý giá trị thu được 16

1.2.2 Theo dõi dự án cùng với kỹ thuật quản lý giá trị thu được 17

1.3 Mô phỏng Monte Carlo và ứng dụng trong EVM 19

1.4 Mạng Nơ ron 22

1.4.1.Tổng quan về mạng Nơ-ron 22

1.4.2.Node mạng và tầng mạng 23

1.4.3.Hàm kích hoạt (Activation function) 24

1.4.4 Hàm mất mát (Loss function) 26

1.4.5.Thuật toán lan truyền ngược (Backpropagation) 27

1.5 Mạng nơ-ron LSTM 28

1.6 Kết chương 31

CHƯƠNG 2 ỨNG DỤNG MẠNG NƠ RON ĐỂ NÂNG CAO CHẤT LƯỢNG DỰ ĐOÁN 32

2.1 Đặt vấn đề 32

2.1.1 Tổng hợp các nghiên cứu liên quan về mạng nơ-ron dự đoán chi phí hoàn thành dự án 32

2.2 Mô hình mạng LSTM dự đoán chi phí hoàn thành dự án 36

2.2.1 Mô hình hóa bài toán dự đoán chi phí hoàn thành dự án 36

2.2.2 Kiến trúc mạng LSTM đề xuất 38

2.3 Kết chương 42

CHƯƠNG 3: CÀI ĐẶT THỬ NGHIỆM VÀ ĐÁNH GIÁ 43

3.1 Phần mềm thực nghiệm 43

3.1.1 Tổng quan về phần mềm xây dựng 43

3.1.2 Giao diện phần mềm 44

3.2.Xây dựng mô hình dữ liệu đầu vào 49

3.3.Cài đặt môi trường và thử nghiệm 51

3.3.1.Phần cứng 52

3.3.2.Phần mềm 52

3.4 Đánh giá chi phí và kết quả đạt được 52

3.4.1.Tính toán chi phí và thời gian hoàn thành dự án theo mô hình 52

3.4.2 Tiêu chuẩn sử dụng để so sánh 53

3.4.3.Các mô hình tham chiếu 54

3.4.5.Kết quả đạt được 55

3.5 Phân tích đánh giá 57

KẾT LUẬN 58

1 Kết luận 58

2 Định hướng phát triển 61

TÀI LIỆU THAM KHẢO 62

MỞ ĐẦU

1.Lý do chọn đề tài, tính cấp thiết của đề tài

Hiện nay, với tốc độ phát triển của khoa học kĩ thuật, thế giới đang chạy đua từng ngày và công nghệ thông tin trở thành nền tảng của sự đi lên này Trước cuộc cách mạng công nghiệp 4.0, các dự án CNTT đã bắt đầu được triển khai và kể từ đó con số này tăng dần qua các năm Tuy vậy, kể từ khi khởi động cuộc cánh mạng này, bùng nổ sự xuất hiện rất nhiều dự án CNTT

ra đời hằng ngày, hằng giờ Nhiều dự án được triển khai đã thành công và có nhiều tiềm năng hoạt động tốt trong tương lai, nhưng hầu hết đã thất bại, hoặc đình chỉ vô thời hạn Có nhiều lý do cho sự thất bại trên như nguồn nhân lực không đáp ứng yêu cầu, thiếu vốn, v.v Xét theo khía cạnh chuyên môn quản

lý, chúng thất bại do khâu dự báo chưa chính xác, chủ quan và có phần duy ý chí Vì vậy, nhằm đảm bảo dự án có thể hoàn thành, đưa vào sử dụng được thì việc nghiên cứu để đưa ra phương pháp dự đoán mức độ hoàn thành của dự

án là điều quan trọng Theo đó, dựa vào các số liệu từ những mô hình được đưa ra, các nhà quản lý có thể kịp thời điều chỉnh để dự án đi đúng hướng và hoàn thành đúng tiến độ Việc áp dụng các công cụ để quản lý giá trị thu được (EVM) nhằm nâng cao chất lượng dự đoán mức độ hoàn thành dự án phần mềm

Quản lý giá trị thu được (EVM) là một trong số những kỹ thuật nổi tiếng nhằm kiểm soát thời gian và chi phí của một dự án Trong thực tế, đã có rất nhiều công trình sử dụng kỹ thuật này và đem lại kết quả tích cực Tuy nhiên, qua tìm hiểu, chưa thật sự phổ biến các công trình đề cập đến việc ứng dụng mạng nơ ron trong phương pháp EVM nhằm nâng cao chất lượng dự đoán mức độ hoàn thành dự án phần mềm Đề tài đề xuất sẽ tìm hiểu các khía cạnh của việc ứng dụng và đi sâu thử nghiệm những mô hình mạng nơ ron đã có

2.Mục tiêu, nhiệm vụ, đối tượng, phạm vi và phương pháp nghiên cứu

Mục tiêu: Đề tài được thực hiện nhằm nâng cao chất lượng dự đoán mức

độ hoàn thành dự án phần mềm qua việc xây dựng mô hình mạng nơ ron trong phương pháp EVM Từ kết quả trên, chúng sẽ được áp dụng vào thực tế nhằm đem lại các thông số chính xác, đáp ứng khả năng nâng cao chất lượng

dự đoán mức độ hoàn thành các dự án phần mềm nói trên

Nhiệm vụ: Tìm hiểu phương pháp quản lý giá trị thu được (EVM)

trong quản lý dự án; Tìm hiểu mô phỏng Monte Carlo và mạng nơ ron nhân tạo; Sử dụng mạng nơ ron nhân tạo để ước lượng thời gian và chi phí để hoàn thành dự án; Lập trình thuật toán; Chạy thử nghiệm với dữ liệu; So sánh với các thuật toán khác

Đối tượng: Mạng nơ ron trong phương pháp EVM

Phạm vi: Quản trị dự án phần mềm

Phương pháp nghiên cứu: Đánh giá mức độ hoàn thành một dự án

phần mềm là một trong những khâu quan trọng giúp cho các nhà quản lý dự

án kiểm soát được tiến độ thực hiện dự án, qua đó đưa ra được những chiến lược phù hợp để giúp cho dự án hoàn thành bảo đảm tiến độ và đúng với ngân sách đã đề ra Sử dụng mạng nơ ron nhân tạo như một phương pháp khai phá đối với dữ liệu EVM để nâng cao độ chính xác dự đoán mức độ hoàn thành

dự án phần mềm Xây dựng công cụ để kiểm thử, so sánh kết quả với các phương pháp EVM truyền thống

3.Cấu trúc luận văn

Cấu trúc luận văn bao gồm các phần như sau:

MỞ ĐẦU: Nội dung phần mở đầu chỉ ra lý do chọn đề tài; mục đích, đối tượng, phạm vi nghiên cứu của luận văn

Chương 1: cơ sở lý thuyết

Chương 2: ứng dụng mạng nơ ron để nâng cao chất lượng dự đoán Chương 3: cài đặt thử nghiệm và đánh giá

Kết luận

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT

1.1 Tổng quan về kỹ thuật quản lý giá trị thu được – EVM

1.1.1 Khái niệm quản lý giá trị thu được

Trong vài năm gần đây, một trong những vấn đề quan trọng trong việc quản trị dự án là ước tính một cách chính xác thời gian và chi phí hoàn thành một dự án Quản lý giá trị thu được (tiếng Anh là Earned Value Management, viết tắt là EVM) là một kỹ thuật quản lý dự án để đo lường sự tiến triển (tiến trình thực hiện) của dự án một cách khách quan [2]

Quản lý giá trị thu được (EVM), hay mở rộng hơn, hệ quản lý giá trị thu được (EMVS) là phương pháp được ứng dụng rộng rãi cho việc dự đoán chi phí và thời gian thực hiện trong quản lý một dự án EVMS nhắc đến lần đầu bởi các kĩ sư tại Mĩ vào cuối thế kỉ 19, bao gồm Fredrick W Taylor, Henry L Gantt và một số người khác [1]

EVM tích hợp các thông số liên quan như kĩ thuật, chi phí, lập lịch và chính sách phát triển

Trong giai đoạn lập kế hoạch, các thành phần công việc trong một dự án tích hợp với nhau sao cho phù hợp để hoàn thành một nhóm các công việc xác định trong một khoảng thời gian Nhóm các công việc đó sẽ được thực hiện

và đánh giá theo những tiêu chí định trước, tương ứng chính là giá trị thu được Từ số liệu giá trị thu được, chênh lệch chi phí và chênh lệch do thay đổi tiến độ có thể được lấy mẫu, phân tích và xác định Qua các phép đo chênh lệch cơ bản này, nhà quản lý dự án (PM) có thể xác định các điều chỉnh cần thiết, dự báo chi phí và thực hiện lịch trình trong tương lai Sau đó, họ xây dựng các kế hoạch hành động khắc phục, cải thiện để đưa dự án trở lại đúng hướng, đúng tiến độ Do vậy, EVM bao gồm các các kĩ thuật đo tiến độ hoàn

thành (nghĩa là trạng thái của dự án) và hiệu năng của nhà quản lý (nghĩa là những gì họ có thể tác động)

Từ những nhận xét trên cho thấy EVM là một công cụ quản lý cung cấp lợi ích môt cách đáng kể và rõ ràng cho doanh nghiệp khi thực hiện một dự án nào đó

1.1.2 Các đặc trưng của EVM

Bản kế hoạch dự án, hay ngắn gọn hơn là kế hoạch dự án là một tài liệu

dự án chứa đựng toàn bộ kế hoạch của dự án, ghi lại những giả định trong quá trình lập kế hoạch Kế hoạch dự án phải được nhà tài trợ kí kết hoàn tất thì mới chuyển sang quá trình thực hiện Kế hoạch dự án là bản tóm lược quản lý những yếu tố cần thiết của mục tiêu dự án, lý lẽ, cách thực đạt được những mục tiêu này, và được dùng để tạo điều kiện thuận lợi cho việc trao đổi thông tin với những đối tượng liên quan dự án Đồng thời kế hoạch dự án cũng là một tài liệu hướng dẫn thực hiện và kiểm soát dự án Kế hoạch dự án tiến triển qua nhưng giai đoạn liên tiếp trong vòng đời của dự án và được cập nhật mỗi khi có những thay đổi quan trọng trong dự án [4]

Các tham số chính được đơn giản hóa để đưa vào các công thức tính toán về sau [5] Các tham số chính bao gồm chi phí dự kiến (PV), giá trị thu được (EV), chi phí thực tế (AC) và các độ đo EVM (chênh lệch, tỉ suất, dự đoán)

PV, còn được gọi là Dự toán ngân quỹ chi phí cho công việc theo tiến độ BCWS (Budgeted Cost of Work Scheduled), đại diện ước tính ban đầu cho công việc theo kế hoạch Đây là thông tin tiêu biểu cung cấp cho ngân sách của dự án và được tính toán bằng cách ước tính các thành phần liên quan Một cách rõ ràng hơn, nó được cung cấp bởi các thủ tục đánh giá chi phí theo kế hoạch và được kết hợp với EVM đê tăng cường hiệu năng cho bộ công cụ có

nhiệm vụ yêu cầu, sắp xếp các công việc liên quan Nền tảng đó dựa trên cấu trúc phân chia dự án [6] này không nhất thiết phải tuân theo tập các hoạt động

đã được lên kế hoạch từ trước đó Lên kế hoạch theo thời điểm sẽ thông báo lượng công vệc dự kiến hoàn thành trong một lượng thời gian tính từ sau thời điểm định trước

EV, còn gọi là chi phí công việc được thực hiện (BCWP), đại diện cho lượng công việc đã hoành thành cho đến thời điểm đánh giá, được biểu thực dựa trên ngân sách ban đầu cho công việc đó

AC (Actual Cost) hay Chi phí thực tế cho công việc đã thực hiện ACWP (tiếng Anh là Actual Cost of Work Performed), là hao phí thực tế phải bỏ ra

để hoàn thành phần công việc, đã được thực hiện xong, vào đúng thời điểm báo cáo

Ngoài ra, còn một số lượng không nhỏ các đại lượng EVM khác Tuy vậy, đề tài sẽ tâp trung vào những đại lượng thiết yếu và sẽ nhắc đến trong các phần tiếp theo

1.2 Áp dụng kỹ thuật EVM trong quản trị dự án

1.2.1 Theo dõi dự án không áp dụng kỹ thuật quản lý giá trị thu được

Kỹ thuật Project tracking nhằm quản lý dự án theo phương pháp truyền thống là một trong những kĩ thuật tiêu biểu và vẫn còn rất phổ biến hiện tại [7] Với kĩ thuật này, việc kiểm soát chi phí và kiểm soát tiến độ hầu như được tiến hành độc lập

Có một vấn đề tồn tại trong phương pháp truyền thống trên, đó là việc chênh lệch chi phí được định nghĩa là chênh lệch giữa chi phí dự kiến và chi phí thực tế :

CV = BV = PV – AC = BCWS – ACWP Công thức 1: Chênh lệch chi phí

Điều này chứng tỏ, nếu CV > 0 thì dự án bị chậm giải ngân Do vậy, tiếp cận theo hướng truyền thống có hạn chế là khó nhận thức được về các phần công việc nào trên thực tế đã hoàn thiện từ chi phí bỏ ra tính tới thời điểm đánh giá Chênh lệch chi phí theo hướng tiếp cận truyền thống khiến CV không bị ràng buộc với phần chênh lệch chi phí gây ra bởi sự thay đổi tiến độ thực hiện so với kế hoạch CV theo hướng tiếp cận này được đánh giá một chiều, không xét đến yếu tố thay đổi trong quá trình thực hiện dự án Điều đó

có thể gây ra những quyết định, hoặc kế hoạch không được tối ưu và không đi đúng hướng so với mục tiêu ban đầu

1.2.2 Theo dõi dự án cùng với kỹ thuật quản lý giá trị thu được

1.2.2.1 Giá trị thu được (Earned value, EV)

EV = StartCurrentPV(completed)

Công thức 2: Giá trị thu được

Ngân quỹ dự kiến cho đến thời điểm hoàn thành BAC (Budget at completion-BAC): Chi phí dự án (PV hoặc BCWS) tính tới thời điểm mà dự

án được hoàn thành

Trong trường hợp một dự án có một khoản gọi là chi phí dự phòng

(MR-Management Reserve), nó sẽ được cộng dồn vào chi phí dự kiến tại thời điểm hoàn thành dự án -BAC

PV = BAC*% Scheduled Work Công thức 3: Ngân quỹ dự kiến

* Đạt được theo kế hoạch tính đến thời điểm hiện tại

EV = BAC * % Actual Work Công thức 4: Giá trị thu được tính theo tỷ lệ dự án hoàn thành

* Đạt được đến thời điểm theo dõi

1.2.2.2 Kỹ thuật quản lý giá trị thu được (EVM)

Chênh lệch chi phí do thay đổi tiến độ SV (SV-Schedule variance) [8]:

𝐒𝐕 = 𝐄𝐕 – 𝐏𝐕 = 𝐁𝐂𝐖𝐏 – 𝐁𝐂𝐖𝐒

Công thức 5: Chênh lệch chi phí do thay đổi tiến độ

* Lớn hơn 0 là thuận lợi (tức là vượt tiến độ)

Chỉ số tiến độ thực hiện SPI (SPI-Schedule performance index) [8]:

SPI = 𝐸𝑉

PV =

BCWP BCWS

Công thức 6: Chỉ số tiến độ thực hiện

* Lớn hơn 1 là thuận lợi (vượt tiến độ)

Chêch lệch chi phí CV (Cost variance) [8]:

CV = EV– AC = BCWP − ACWP

Công thức 7: Chênh lệch chi phí do lệch kế hoạch

* Lớn hơn 0 là thuận lợi

CV = (EV - PV) + (PV - AC) = SV + CV1 = SV + BV

Công thức 8: Chênh lệch chi phí bằng việc sử dụng bọ tham số khác

Chỉ số chi phí thực hiện CPI (Cost Performance Index-CPI) [9]:

CPI = EV

AC =

BCWP ACWP

Công thức 9: Chỉ số chi phí thực hiện

* Lớn hơn 1 là thuận lợi

Ta có nhận xét như sau:

• CPI < 1: Chi phí hoàn thành công việc vượt chi phí kế hoạch đề ra (có hại)

• CPI = 1: Chi phí hoàn thành công việc đúng kế hoạch (thuận lợi)

• Còn lại, tức CPI > 1: Chi phí hoàn thành công việc so với chi phí dự kiến (thuận lợi nhưng đôi khi có hại)

Thời điểm ước tính hoàn thành dự án EAC (Estimate at completion)

[9]:

EAC là một khái niệm (tính theo tỉ lệ giữa thời gian từ lúc thực hiện đến thời gian hoàn thành dự án) hoàn thành ước tính cho dự án nếu công việc vẫn tiếp tục theo kế hoạch hiện tại

EAC = AC +𝐵𝐴𝐶 − 𝐸𝑉

BAC CPI

Công thức 10: Dự đoán chi phí ước tính hoàn thành dự án tại thời điểm

hiện tại

Ước tính thời điểm hoàn thành ETC (ETC-Estimate to Complete) là ước

tính để hoàn thành một dự án, là sự tính toán lượng chi phí phải bỏ ra còn lại

để hoàn thành dự án, bắt đầu từ thời điểm thời điểm hiện tại, hoặc từ thời điểm đánh giá trở đi:

ETC = EAC − AC

Công thức 11: Dự đoán đến thời điểm hoàn thành

1.3 Mô phỏng Monte Carlo và ứng dụng trong EVM

Phương pháp phân tích Monte Carlo được phát triển vào những năm

1940 đây là phương pháp phân tích dựa trên tính toán sử dụng các kĩ thuật lấy mẫu thống kê để đạt được các giá trị xác suất xấp xỉ đáp ứng một giải pháp của mô hình toán học nào đó bằng cách sử dụng các chuỗi số ngẫu nhiên làm

đầu vào mô hình Các kết quả hình thành nên một mô hình với đầy đủ hành

vi, tiến trình từ các biến ngẫu nhiên ban đầu [10]

Sử dụng Mô phỏng Monte Carlo cung cấp các thông tin về lượng lớn các điều kiện và trường hợp có thể xảy ra trong quá trình thực hiện để hoàn thành

dự án Chúng có thể được tính toán, đánh giá dựa trên mô hình phân bố thống

kê thời gian trung bình và chi phí của công việc trên Với mỗi lần chạy mô phỏng Monte Carlo, ta thu được các thông tin quan trọng phục vụ cho kĩ thuật EVM

EVtj và ACtj có thể thu thập được trong mỗi mốc thời gian của dự án Việc thu thập được tính toán và đánh giá bằng các thông số tích lũy ngay từ lúc khởi tạo dự án Do vậy, EV và AC được coi là những thông tin tin cậy và

có ích

Ngoài các thông tin cơ bản trên, phải xét đến thông số là tỷ lệ dự án thứ j hoàn thành trong mỗi mốc thời điểm t (xtj) có thể được tính toán dựa trên BAC Trong lần chạy thứ j của Mô phỏng Monte Carlo, thời điểm được giả định trong đó tỷ lệ hoàn thành là đã nhận được lượng việc hoàn thành nhất định (x) hoặc giá trị thu được với lượng cụ thể EV = xt ∗ BAC, được gọi là

ATj với chi phí AC (ATj) [11]

Chi phí và thời gian để hoàn thành dự án thứ j trong lần chạy này được coi là CACj và TACj Do đó, giả định rằng độ trễ (vượt) và thâm hụt (thặng dư) của ngân sách cho dự án xảy ra trên cơ sở bản chất ngẫu nhiên của dự án Dựa trên kết quả mô phỏng, dữ liệu bao gồm ATj, AC (ATj), CAC (j) và TACj, j∈ {1,2, .,} có thể được thu thập Bằng cách xem xét các thông số

ATj, AC (ATj) là đầu vào và CACj và TACj là kết quả đầu ra, mục tiêu là phát triển mô hình để lập bản đồ đầu vào cho đầu ra phù hợp

Hình 1: Mô phỏng Monte Carlo trong EVM [10]

Trong EVM, phương pháp Monte Carlo sẽ tạo ra một lượng dữ liệu lớn chứa giá trị tham số được mô phỏng, khởi tạo của các độ đo thực tế trong dự

án Lượng dữ liệu lớn này được mô phỏng và tính toán dựa trên các tính chất thống kê của dự án tương ứng tại bất kì mốc nào được thu thập trong quá trình thực hiện dự án đó

Cụ thể hơn, khi sử dụng EVM, chúng ta thường xét đến bộ ba (EV, t, AC) thay vì (%, t, AC) Điều đó có nghĩa là, cứ mỗi một lần thực thi mô phỏng Monte Carlo, chúng ta sẽ tính ra được các EV cùng với AC tương ứng của nó tại một số thời điểm t trong vòng đời dự án Cùng với việc sử dụng tỉ

lệ công việc hoàn thành, điều này làm cho EV coi như đã được chuẩn hóa EV tiện lợi hơn, trực quan hơn đến từ quan điểm của một người sử dụng Trong thực tế, khi giám sát một dự án không chỉ đơn giản là để tính toán tỉ lệ phần trăm chính xác hoàn thành các đầu việc mà EV là một khái niệm để các nhà quản lý cảm thấy dễ làm việc hơn

Bằng phương pháp Monte Carlo, ở một giai đoạn thực hiện nhất định của dự án, một tập các thực thi Monte Carlo sẽ được sử dụng để tính toán mô phỏng và đưa ra các chi phí tại chuỗi mốc thời gian cho trước Với bài toán đặt ra là dự đoán chi phí hoàn thành dự án như đã được đề cập, các kết quả thu được từ phương pháp Monte Carlo sử dụng làm bộ dữ liệu huấn luyện cho

mô hình bài toán dự đoán Trong đó đầu vào là tập các thông số về mức độ hoàn thành, chi phí dự án tại các thời điểm khác nhau và đầu ra là chi phí dự

án tại thời điểm hoàn thành Đề giải bài toán hồi quy này, một trong những phương pháp có thể sử dụng là mô hình mạng nơ-ron Với dữ liệu đầu vào

EVtj, ACtj, BAC thu được từ phương pháp Monte Carlo, mạng nơ-ron sẽ được huấn luyện, đánh giá và đưa ra các dự đoán chi phí hoàn thành của dự án

1.4 Mạng Nơ ron

1.4.1.Tổng quan về mạng Nơ-ron

Mạng nơ-ron nhân tạo là một mô hình toán học hay mô hình tính toán được áp dụng ngày càng phổ biến trong học máy hiện nay Kiến trúc của một mạng neuron được mô tả giống như não bộ, gồm có một nhóm các nơ-ron (nút) nối với nhau, xử lý thông tin bằng cách lan truyền các thông tin của quá trình tính toán trong học máy Mạng nơ-ron được áp dụng thực tế phổ biến hiện nay là các công cụ mô hình hóa dữ liệu phi tuyến Chúng có thể được dùng để mô hình hóa, tìm ra các mối quan hệ phức tạp giữa dữ liệu đầu vào

và kết quả đầu ra từ dữ liệu học hoặc để tìm kiếm các dạng/mẫu trong dữ liệu Một số ưu điểm của mạng Nơ-ron nhân tạo so với các mô hình học máy không thuộc học sâu là mức trừu tượng hóa cho dữ liệu đầu vào thấp, mô hình hóa cho ra kết quả thực tiễn tốt với các bài toán phi tuyến thực tế, có thể kế thừa, sử dụng các trọng số của những mạng đã nghiên cứu thành công bằng cách thay đổi một số các siêu tham số… Với các kiến trúc mạng nơ-ron phổ biến hiện nay, đầu vào của mạng nhận vào là các vector, mà mỗi thành phần

của vector trừu tượng hóa ở mức tương đối thấp Người thiết kế mạng có thể tạo vector đó bằng cách đưa trực tiếp mỗi trường của các đặc trưng của dữ liệu học vào vị trí cụ thể trong vector Đối với những bài toán về ảnh số, dữ liệu đầu vào có thể là giá trị RGB của ảnh đầu vào, chưa cần áp dụng nhiều lý thuyết, kỹ thuật về ảnh số để có thể cho mạng học Và thực tiễn cho thấy kết quả dự đoán của mạng có kết quả chính xác khá tốt

Ví dụ đối với bài toán nhận diện vật thể trong cuộc thi thường niên ILSVRC (ImageNet Large Scale Visual Recognition Challenge), VGG network (2014), Resnet (2015) chỉ sử dụng mạng neural network và thu được kết quả rất tốt Đối với những bài toán xử lý văn bản, đầu vào của mạng không nhất thiết phải áp dụng các mô hình trừu tượng truyền thông như túi từ, n-gram, … Thay vào đó, người thiết kế mạng có thể sử dụng cách trừu tượng hóa bằng one-hot vector, ở đó, vector chỉ gồm duy nhất một trường bằng 1 tương ứng với vị trí từ được mã hóa trong từ điển, các trường còn lại của vector có giá trị 0 Trong bài toán có mối liên hệ thời gian trước sau, vector đầu vào của mạng có thể được mã hóa, trường có địa chỉ thấp lưu giá trị đầu vào tại thời gian trước, lưu tuần tự, trường của vector có địa chỉ cao tiếp theo

sẽ lưu các giá trị đầu vào của thời gian tiếp theo tương ứng

Mạng neural nhân tạo thường bao gồm các thành phần : node mạng (bao gồm các trọng số), các tầng (tập hợp một số node), hàm kích hoạt (activation function), hàm lost, ngoài ra, tùy theo các kiến trúc mạng khác nhau sẽ có thể

có thêm các siêu tham số (hyper parameters) khác [8]

1.4.2.Node mạng và tầng mạng

Trong mạng nơ ron, mỗi node mạng có mối liên hệ với nhau, và tác động vào dữ liệu nhận vào từ các node khác bằng các tham số, các tham số này sẽ được cập nhật trong quá trình học để thu được mô hình giải quyết bài

toán Để dễ hình dung, ta mô tả bằng các node tròn như Hình 2, liên kết với các node khác bằng các tham số

Tầng mạng sẽ gồm nhiều node xử lý dữ liệu ở cùng một mức trừu tượng Tầng mạng đầu vào được gọi là tầng vào (input layer), là vector mã hóa dữ liệu học đầu vào (mức trừu tượng thấp nhất) Tầng mạng đầu ra (ouput layer) là biểu diễn đầu ra mong muốn của bài toán Ngoài ra, các mạng nơ-ron hiện nay thường có thêm một hoặc nhiều tầng ở giữa tầng vào và tầng ra, được gọi là tầng ẩn (hidden layer) Các tầng càng ở phía sau càng có mức trừu tượng cao hơn các tầng phía trước

Hình 2: Kiến trúc một mạng Nơ ron [13]

1.4.3.Hàm kích hoạt (Activation function)

Mỗi output của một tầng (trừ tầng vào) được tính bằng công thức:

𝑎(𝑙) = 𝑓(𝑙)(𝑊(𝑙)𝑇𝑎(𝑙−1)) + 𝑏(𝑙)Công thức 12: Hàm kích hoạt

Trong đó, hàm f (l) là thường là một hàm phi tuyến Nếu không có hàm kích hoạt này, có thể thấy đầu ra của mỗi tầng sẽ phụ thuộc tuyến tính vào đầu vào, dễ thấy, nếu toàn mạng không sử dụng hàm kích hoạt, và các tầng nhận vào giá trị chỉ bằng tích của ma trận trọng số với ma trận đầu ra của tầng trước đó thì đầu ra cả mạng cũng sẽ phụ thuộc tuyến tính với đầu vào Mà các bài toán thực tế thường có đầu ra phụ thuộc phi tuyến với đầu vào, đưa thêm hàm kích hoạt sẽ giúp mạng có thể học ra được quan hệ đầu vào với đầu ra của bài toán

Một số hàm kích hoạt thường sử dụng và đang được nghiên cứu hiện nay

- Hàm softmax

𝑓(𝑧𝑖) = 𝑒

𝑧𝑖

∑ 𝑒𝐶 𝑧𝑗𝑗

Công thức 15: hàm softmax

𝑓(𝑥) = max (0, 𝑥) Công thức 16: hàm ReLu

- Leaky ReLu [12]

𝑓(𝑥) = { 𝑥 𝑛ế𝑢 𝑥 ≥ 0

𝛼𝑥 𝑛ế𝑢 𝑥 < 0Công thức 17: hàm Leaky ReLu

1.4.4 Hàm mất mát (Loss function)

Để đánh giá kết quả dự đoán của một mô hình học máy có giám sát nói chung, ta cần tổng hợp giá trị chênh lệch đầu ra của mô hình với nhãn tương ứng của đầu vào Hàm đánh giá này được gọi là hàm mất mát (loss function) Trong trường hợp lý tưởng, khi trong tất cả dữ liệu học, giá trị đầu ra của mô hình trùng khớp với giá trị nhãn, ta có giá trị hàm mất mát trong trường hợp này bằng 0 Khi kết quả sai lệch càng nhiều thì giá trị của hàm mất sẽ càng lớn, dễ thấy giá trị hàm mất mát là không âm Nhiệm vụ của mô hình học máy

là tìm bộ trọng số để hàm mất mát đạt giá trị cực tiểu, hay giá trị dự đoán của mạng gần đúng với giá trị nhãn nhiều nhất có thể

Tùy theo bài toán là hồi quy, hay phân loại, … và mô hình bài toán mà hàm mất mát có những dạng khác nhau Một số hàm mất mát thường được sử dụng là:

- Hàm cross entropy

𝐿 = ∑ 𝑦𝑜,𝑐log (𝑝𝑜,𝑐)

𝐶

𝑐=1

Công thức 18: Hàm cross entropy

- Hàm trung bình sai số bình phương

𝐿 = 𝐸(∑‖𝑦𝑛 − 𝑦̂𝑛‖22) Công thức 19: Hàm trung bình sai số bình phương

1.4.5.Thuật toán lan truyền ngược (Backpropagation)

Phương pháp phổ biến nhất để tối ưu mạng nơ-ron đa tầng chính là gradient descent (GD) Để áp dụng GD, chúng ta cần tính đạo hàm của hàm mất mát theo từng ma trận trọng số W

Giả sử J (W, b, X, Y) là một hàm mất mát của bài toán, trong đó, W, b là các ma trận trọng số giữa các tầng, vector tham số tự do của mỗi tầng, X, Y là

dữ liệu đầu vào của mạng và nhãn tương ứng Để tính giá trị W, b sao cho hàm mất mát J đạt giá trị cực tiểu, ta cần đi ngược lại chiều của gradient của hàm J

Giá trị J trong mạng nơ-ron ứng với các giá trị W, b, X, Y tương ứng được tính bằng quá trình lan truyền xuôi (feedforward)

𝑎(0) = 𝑋

𝑧(𝐿) = 𝑊(𝑙)𝑎(𝑙−1)+ 𝑏(𝑙)), l = 1, 2, … L

𝑎(𝐿) = 𝑓(𝐿)(𝑧(𝐿)) 𝑌̂ = 𝑎(𝐿)Công thức 20: Tính feedforward trọng mạng nơ-ron Lấy ví dụ một hàm mất mát đơn giản là hàm mean square error (MSE)

𝐽(𝑊, 𝑏, 𝑋, 𝑌) = 1

𝑁∑‖𝑦𝑛 − 𝑦̂𝑛‖2

2 𝑁

𝑛=1

Công thức 21: Hàm mất mát mean square error

Có thể thấy, nếu tính toán trực tiếp giá trị đạo hàm để tìm cực trị của hàm J sẽ rất phức tạp, vì hàm mất mát không phụ thuộc trực tiếp vào ma trận

hệ số và vector bias Thay vào đó, ta có thể tính đạo hàm ngược từ layer cuối cùng đến layer đầu tiên Thuật toán này được gọi là lan truyền ngược (backpropagation) Trong đó, layer cuối cùng được tính trước vì nó gần với đầu ra dự đoán và hàm mất mát Việc tính đạo hàm của các ma trận hệ số trong các layer trước sẽ dựa trên chuỗi đạo hàm của hàm hợp, đã được tính ở tầng ngay sau đó

Công thức 22: Công thức tính lan truyền ngược

1.5 Mạng nơ-ron LSTM

Mô hình đề xuất dựa trên mô hình mạng Nơ-ron LSTM, đây là một dạng đặc biệt của RNN (Recurrent Neural Network - Mạng neural hồi quy) LSTM được giới thiệu bởi Hochreiter & Schmidhuber [15], và sau đó đã được cải tiến và phổ biến bởi rất nhiều người trong ngành Chúng hoạt động cực kì hiệu quả trên nhiều bài toán khác nhau nên dần đã trở nên phổ biến như hiện nay

Được thiết kế để tránh được vấn đề phụ thuộc xa (long-term dependency), mạng LSTM nhớ thông tin trong “thời gian” Với kiến trúc dạng chuỗi, trong đó mỗi đầu ra của node mạng này là đầu vào của một node mạng sao chép khác, nhưng các mô-đun trong nó có cấu trúc khác với một node mạng RNN chuẩn Thay vì chỉ có một tầng mạng nơ-ron, chúng có tới 4 tầng tương tác với nhau một cách rất đặc biệt

: toán tử : activation của tầng

Ở sơ đồ trên, mỗi một đường mang một véc-tơ từ đầu ra của một nút tới đầu vào của một nút khác Các hình tròn màu cam biểu diễn các phép toán như phép cộng véc-tơ chẳng hạn, còn các ô màu cam được sử dụng để học trong các từng mạng nơ-ron Các đường hợp nhau kí hiệu việc kết hợp, còn các đường rẽ nhánh ám chỉ nội dung của nó được sao chép và chuyển tới các nơi khác nhau

Bước đầu tiên của LSTM là quyết định xem thông tin nào cần bỏ đi từ trạng thái tế bào Quyết định này được đưa ra bởi tầng sigmoid - gọi là “tầng cổng quên” (forget gate layer) Nó sẽ lấy đầu vào là

quả là một số trong khoảng [0,1] cho mỗi số trong trạng thái tế bào Ct−1 Đẩu

ra là 1 thể hiện rằng nó giữ toàn bộ thông tin lại, còn 0 chỉ rằng toàn bộ thông tin sẽ bị bỏ đi

𝑓𝑡 = 𝜎(𝑊𝑓 [ℎ𝑡−1, 𝑥𝑡] + 𝑏𝑓) Công thức 23: Hàm quên LSTM Bước tiếp theo là quyết định xem thông tin mới nào ta sẽ lưu vào trạng thái tế bào Việc này gồm 2 phần Đầu tiên là sử dụng một tầng sigmoid được gọi là “tầng cổng vào” (input gate layer) để quyết định giá trị nào ta sẽ cập nhập Tiếp theo là một tầng tanh tạo ra một véc-tơ cho giá trị mới 𝐶̃ nhằm 𝑡thêm vào cho trạng thái Trong bước tiếp theo, ta sẽ kết hợp 2 giá trị đó lại để tạo ra một cập nhập cho trạng thái

𝑖𝑡 = 𝜎(𝑊𝑖 [ℎ𝑡−1, 𝑥𝑡] + 𝑏𝑖) Công thức 24:Hàm quyết định cập nhật LSTM

𝐶 ̃ = 𝑎𝑐𝑡𝑖𝑣𝑎𝑡𝑖𝑜𝑛(𝑊𝑡 𝐶 [ℎ𝑡−1, 𝑥𝑡] + 𝑏𝐶) Công thức 25: Hàm cập trạng thái LSTM

Giờ là lúc cập nhập trạng thái tế bào cũ Ct−1 thành trạng thái mới Ct Ở

các bước trước đó đã quyết định những việc cần làm, nên giờ ta chỉ cần thực hiện là xong

Ta sẽ nhân trạng thái cũ với ft để bỏ đi những thông tin ta quyết định

quên lúc trước Sau đó cộng thêm it *𝐶̃ Trạng thái mới thu được này phụ 𝑡thuộc vào việc ta quyết định cập nhập mỗi giá trị trạng thái ra sao

𝐶𝑡 = 𝑓𝑡∗ 𝐶𝑡−1 + 𝑖𝑡∗ 𝐶 ̃ 𝑡Công thức 26: Cập nhật trạng thái một node LSTM