一种模型训练方法、测试处理方法及装置与流程

1.本发明涉及软件测试技术领域，尤其涉及一种模型训练方法、测试处理方法及装置。


背景技术：

2.软件测试管理工作中的软件测试排期是指：对测试任务进行评估预测从开始测试任务到完成测试任务所需要的测试时长，并根据测试时长规划测试任务的排期。准确的预测测试任务的测试时长可以减少或避免软件上线延期，因此软件测试排期是软件开发过程中一项非常重要的工作。
3.目前，普遍使用的软件测试排期方式为开发减半。即，将测试任务的测试时长预测为软件的开发时长的一半。然而，受到软件更新量、测试人员对软件的理解程度、测试用例、软件中错误的数量、软件中错误的严重程度等因素的影响，不同软件的测试任务的工作量间差异巨大，因此这种开发减半的软件测试排期的方式预测的测试时长可能会与实际的测试时长差距很大，进而影响软件的开发进度。现有技术中的另一种软件测试排期为：由经验丰富的测试人员和产品研发等人员根据经验对软件的测试任务进行评估并给出测试任务的测试时长。然而，这种人工的软件测试排期方式，要求排期人员具有非常丰富的经验，经验较少的排期人员很难准确的给出测试时长，并且即使经验非常丰富的人员，在测试任务的工作量时也有可能会遗漏关键因素，进而导致预测的测试时长不准确，因此这种人工的软件测试排期方式的可靠性也不高。


技术实现要素：

4.有鉴于此，本发明提供了一种模型训练方法、测试处理方法及装置，用于提升预测的测试任务的测试时长的可靠性。
5.为了实现上述目的，本发明实施例提供技术方案如下：
6.第一方面，本发明的实施例提供一种模型训练方法，包括：
7.获取多个历史测试任务的测试数据以及测试时长；
8.根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素；
9.根据各个历史测试任务的排期影响因素和测试时长生成样本数据；
10.基于所述样本数据对线性回归模型进行训练，获取排期模型。
11.作为本发明实施例一种可选的实施方式，所述基于所述样本数据对线性回归模型进行训练，获取排期模型，包括：
12.将所述样本数据分为训练数据集和测试数据集；
13.基于所述训练数据集对所述线性回归模型进行训练，获取初始模型；
14.基于所述测试数据集对所述初始模型进行评估，获取评估结果；
15.在所述评估结果不满足预设条件时，对所述训练数据集中的历史测试数据进行优化，并重新对所述线性回归模型进行训练；
16.在所述评估结果满足预设条件时，将所述初始模型作为所述排期模型。
17.作为本发明实施例一种可选的实施方式，在基于所述样本数据对所述线性回归模型进行训练，获取所述排期模型之后，所述方法还包括：
18.以预设时长为周期，周期性的获取新增历史测试任务的测试数据以及测试时长；
19.根据各个新增历史测试任务的测试数据，获取各个新增历史测试任务的排期影响因素；
20.根据各个新增历史测试任务的排期影响因素和测试时长对所述排期模型进行优化训练。
21.作为本发明实施例一种可选的实施方式，在根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素之前，所述方法还包括：
22.删除所述多个历史测试任务的测试数据中的异常数据。
23.本发明实施例提供的模型训练方法首先获取多个历史测试任务的测试数据以及测试时长，然后根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素；再根据各个历史测试任务的排期影响因素和测试时长生成样本数据；最后基于所述样本数据对线性回归模型进行训练，获取排期模型。由于本发明实施例提供的模型训练方法可以根据历史测试任务的测试数据获取历史测试任务的排期影响因素，并根据历史测试任务的排期影响因素和测试时长生成排期模型，因此在预测测试任务的测试时长时，只要将测试任务的排期影响因素输入排期模型，则排期模型可以自动预测并输出测试任务的测试时长，相比于现有技术中本发明实施例可以避免对排期人员经验的依赖以及避免遗漏影响测试时长的关键因素，因此本发明实施例提供的模型训练方法可以提升预测的测试任务的测试时长的可靠性。
24.第二方面，本发明的实施例提供一种测试处理方法，包括：
25.获取目标测试任务的提测信息；
26.根据所述提测信息获取所述目标测试任务的排期影响因素；
27.根据所述目标测试任务的排期影响因素和排期模型，获取所述目标测试任务的测试时长；所述排期模型为基于多个历史测试任务的排期影响因素和测试时长对线性回归模型进行训练获取的模型；
28.输出所述目标测试任务的测试时长。
29.本发明实施例提供的测试处理方法在获取目标测试任务的提测信息后，先根据目标测试任务的提测信息获取目标测试任务的排期影响因素，再根据目标测试任务的排期影响因素和排期模型预测所述目标测试任务的测试时长，并输出所述目标测试任务的测试时长。由于本发明实施例提供的测试处理方法可以基于包括多个历史测试任务的排期影响因素和测试时长的样本数据对线性回归模型进行训练获取排期模型，并根据目标测试任务的提测信息和排期模型预测所述目标测试任务的测试时长，因此本发明实施例可以避免对排期人员经验的依赖以及避免遗漏影响测试时长的关键因素，因此提升预测的测试任务的测试时长的可靠性。
30.作为本发明实施例一种可选的实施方式，所述获取目标测试任务的提测信息，包括：
31.以预设时长为周期，周期性的检测提测系统中是否具有未处理的测试任务；
32.若所述提测系统中具有至少一个未处理的测试任务，则分别将所述至少一个未处理的测试任务作为所述目标测试任务，并提取所述目标测试任务的提测信息。
33.第三方面，本发明实施例提供一种模型训练装置，包括：
34.获取单元，用于获取多个历史测试任务的测试数据以及测试时长；
35.处理单元，用于根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素；
36.生成单元，用于根据各个历史测试任务的排期影响因素和测试时长生成样本数据；
37.训练单元，用于基于所述样本数据对线性回归模型进行训练，获取排期模型。
38.作为本发明实施例一种可选的实施方式，所述训练单元，具体用于将所述样本数据分为训练数据集和测试数据集；基于所述训练数据集对所述线性回归模型进行训练，获取初始模型；基于所述测试数据集对所述初始模型进行评估，获取评估结果；在所述评估结果不满足预设条件时，对所述训练数据集中的历史测试数据进行优化，并重新对所述线性回归模型进行训练；在所述评估结果满足预设条件时，将所述初始模型作为所述排期模型。
39.作为本发明实施例一种可选的实施方式，所述训练单元，还用于以预设时长为周期，周期性的获取新增历史测试任务的测试数据以及测试时长；根据各个新增历史测试任务的测试数据，获取各个新增历史测试任务的排期影响因素；根据各个新增历史测试任务的排期影响因素和测试时长对所述排期模型进行优化训练。
40.作为本发明实施例一种可选的实施方式，所述处理单元，还用于在根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素之前，删除所述多个历史测试任务的测试数据中的异常数据。
41.第四方面，本发明实施例提供一种测试处理装置，包括：
42.获取单元，用于获取目标测试任务的提测信息；
43.处理单元，用于根据所述提测信息获取所述目标测试任务的排期影响因素；
44.预测单元，用于根据所述目标测试任务的排期影响因素和排期模型，获取所述目标测试任务的测试时长；所述排期模型为基于多个历史测试任务的排期影响因素和测试时长对线性回归模型进行训练获取的模型；
45.输出单元，用于输出所述目标测试任务的测试时长。
46.作为本发明实施例一种可选的实施方式，所述获取单元，具体用于以预设时长为周期，周期性的检测提测系统中是否具有未处理的测试任务；若所述提测系统中具有至少一个未处理的测试任务，则分别将所述至少一个未处理的测试任务作为所述目标测试任务，并提取所述目标测试任务的提测信息。
47.第五方面，本发明实施例提供一种电子设备，包括：存储器和处理器，所述存储器用于存储计算机程序；所述处理器用于在执行所述计算机程序时，使得所述电子设备实现第一方面或第一方面任一种可选的实施方式所述的方法。
48.第六方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，当所述计算机程序被计算设备执行时，使得所述计算设备实现第一方面或第一方面任一种可选的实施方式所述的方法。
49.第七方面，本发明实施例提供一种计算机程序产品，当所述计算机程序产品在计
算机上运行时，使得所述计算机实现第一方面或第一方面任一种可选的实施方式所述的方法。
附图说明
50.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
51.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
52.图1为本发明实施例提供的模型训练方法的步骤流程图之一；
53.图2为本发明实施例提供的模型训练方法的步骤流程图之二；
54.图3为本发明实施例提供的测试处理方法的步骤流程图；
55.图4为本发明实施例提供的模型训练装置的结构示意图；
56.图5为本发明实施例提供的测试处理装置的结构示意图；
57.图6为本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
58.为了能够更清楚地理解本发明的上述目的、特征和优点，下面将对本发明的方案进行进一步描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
59.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但本发明还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本发明的一部分实施例，而不是全部的实施例。
60.本发明的说明书和权利要求书中的术语“第一”和“第二”等是用于区别同步的对象，而不是用于描述对象的特定顺序。例如，第一预设值和第二预设值是用于区别不同的预设值，而不是用于描述预设值大小、先后以及特定顺序。
61.在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。此外，在本发明实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上。
62.本发明实施例提供的模型训练方法、测试处理方法的执行主体可以为测试处理装置。该测试处理装置可以为手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、个人数字助理(personal digital assistant，pda)、智能手表、智能手环等终端设备，或者测试处理方法的执行主体还可以为其他类型的终端设备，本发明实施例对测试处理方法的执行主体的类型不作限定。
63.此外，本发明实施例中的模型模型训练方法的执行主体和测试处理方法的执行主体可以为同一实体设备，也可以分别为不同的实体设备，本发明实施例对此不做限定。
64.本发明实施例提供了一种模型训练方法，参照图1所示，该模型训练方法包括如下
步骤s11至s14：
65.s11、获取所述多个历史测试任务的测试数据以及测试时长。
66.可选的，任一历史测试任务的测试数据包括：该历史测试任务的提测单号、该历史测试任务的提测日期、该历史测试任务对应的历史待测试软件、所述历史待测试软件的提测模块、所述历史待测试软件的开发人员、所述历史待测试软件所属的产品线、所述历史待测试软件所属的代码分支、所述历史待测试软件的代码提交号、所述历史测试软件中的错误数量、各个错误的严重程度、各个错误的修复耗时长度中的至少一个。
67.进一步，获取所述多个历史测试任务的测试数据以及测试时长的实现方式可以包括：从提测系统中获取各个历史测试任务的提测信息，从而获取所述多个历史测试任务的提测单号、提测日期、所述目标测试任务对应的历史待测试软件、所述历史待测试软件的提测模块、所述历史待测试软件的开发人员、所述历史待测试软件所属的产品线、所述历史待测试软件所属的代码分支以及所述历史待测试软件的代码提交号，并根据所述多个历史测试任务的提测单号从错误跟踪软件中提取各个所述历史测试任务对应的历史待测试软件中的错误数量、各个错误的严重程度、各个错误的修复耗时长度等信息。
68.s12、根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素。
69.可选的，任一历史测试任务的排期影响因素包括：该历史测试任务对应的待测试软件的代码改动量、该历史测试任务对应的待测试软件的开发时长、该历史测试任务对应的待测试软件的开发人员是否具有相关经验、该历史测试任务对应的待测试软件中的错误数量、各个错误的严重程度、各个错误的修复耗时长度中的至少一个。
70.s13、根据各个历史测试任务的排期影响因素和测试时长生成样本数据。
71.具体的，根据各个历史测试任务的排期影响因素和测试时长生成样本数据包括：将每一个历史测试任务的排期影响因素作为一个样本数据的自变量，并将各个历史测试任务的测试时长分别作为对应的自变量的因变量，从而生成所述样本数据。
72.s14、基于所述样本数据对线性回归模型进行训练，获取排期模型。
73.具体的，线性回归(linear regression)模型是一种利用线性回归方程的最小平方函数对自变量和因变量之间的关系进行建模的回归分析模型。本发明实施中将历史测试任务的排期影响因素作为线性回归模型的自变量，将历史测试任务的测试时长作为线性回归模型的因变量，并对根据历史测试任务的排期影响因素和测试时长对线性回归模型进行训练，因此本发明实施例可以建立一个能够基于测试任务的排期影响因素预测测试任务的测试时长的预测模型(排期模型)。
74.示例性的，本发明实施例中的线性回归模型可以为sklearn中的线性回归模型。
75.本发明实施例提供的模型训练方法首先获取多个历史测试任务的测试数据以及测试时长，然后根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素；再根据各个历史测试任务的排期影响因素和测试时长生成样本数据；最后基于所述样本数据对线性回归模型进行训练，获取排期模型。由于本发明实施例提供的模型训练方法可以根据历史测试任务的测试数据获取历史测试任务的排期影响因素，并根据历史测试任务的排期影响因素和测试时长生成排期模型，因此在预测测试任务的测试时长时，只要将测试任务的排期影响因素输入排期模型，则排期模型可以自动预测并输出测试任务的测试
时长，相比于现有技术中本发明实施例可以避免对排期人员经验的依赖以及避免遗漏影响测试时长的关键因素，因此本发明实施例提供的模型训练方法可以提升预测的测试任务的测试时长的可靠性。
76.作为本发明实施例一种可选的实施方式，在上述步骤s12(根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素)之前，本发明实施例提供的模型训练方法还包括：
77.删除所述多个历史测试任务的测试数据中的异常数据。
78.即，对于提取的历史测试任务的测试数据中不符合预期的异常数据进行清洗去除。
79.示例性的，确定异常数据的方式可以包括：判断测试数据中的各项数据是否属于对应的数据范围内，若某一数据不属于对应的数据范围内，则确定该数据为异常数据。
80.例如：错误修复时长对应的数据范围为(0，测试任务的测试时长)，若某一错误修复时长等于0，或者大于测试时长，则将该错误修复时长确定为异常数据，并将该错误修复时长从测试数据中删除。
81.作为本发明实施例一种可选的实施方式，在图1所示实施例的基础上，参照图2所示，上述步骤14(基于所述样本数据对线性回归模型进行训练，获取排期模型)的实现方式可以包括如下步骤：
82.s21、将所述样本数据分为训练数据集和测试数据集。
83.本发明实施例中不限定训练数据集中的样本数据的数据量和测试数据集中的样本数据的数据量的比例。示例性的，训练数据集中的样本数据的数据量和测试数据集中的样本数据的数据量的比例可以为9：1，20：1等。
84.s22、基于所述训练数据集对所述线性回归模型进行训练，获取初始模型。
85.具体的，基于所述训练数据集中的样本数据对所述线性回归模型进行训练，获取初始模型，包括：
86.将训练数据集中的各个历史测试任务的排期影响因素作为自变量、训练数据集中各个历史测试任务的测试时长作为因变量输入线性回归模型，并对线性回归模型的自变脸和因变量进行拟合，从而获取所述初始模型。
87.s23、基于所述测试数据集对所述初始模型进行评估，获取评估结果。
88.可选的，基于所述测试数据集中的样本数据对所述初始模型进行评估，获取评估结果的实现方式可以包括：
89.首先将测试数据集中的各个历史测试任务的排期影响因素输入所述初始模型，并获取初始模型预测的所述测试数据集中的各个历史测试任务的测试时长。其次，获取初始模型预测的测试数据集中各个历史测试任务的测试时长与测试数据集中记录的各个历史测试任务的实际测试时长的误差，最后，根据初始模型预测的测试数据集中各个历史测试任务的测试时长与测试数据集中记录的各个历史测试任务的实际测试时长的误差获取所述初始模型的评估结果。
90.s24、判断所述评估结果是否满足预设条件。
91.示例性的，预设条件可以为初始模型预测的各个历史测试任务的测试时长与各个历史测试任务的实际测试时长的平均误差小于预设误差阈值。
92.在上述步骤s24中，若所述评估结果不满足预设条件，则执行如下步骤s25，若所述评估结果满足预设条件，则执行如下步骤s26。
93.s25、对所述训练数据集中的历史测试数据进行优化，并重新对所述线性回归模型进行训练。
94.具体的，对所述训练数据集中的历史测试数据进行优化可以包括：进一步删除异常数据、删除一个或多个排期影响因素、增加一个或多个排期影响因素、调整各个排期影响因素的权重等。
95.需要说明的，重新对所述线性回归模型进行训练后会得到一个新的初始模型，将该新的初始模型返回上述步骤s23，并再次对该新的初始模型进行评估。
96.s26、将所述初始模型作为所述排期模型。
97.即，若初始模型的预测结果符合预期，无需进一步优化时，模型构建完成，将初始模型定义为排期模型，并将得到的排期模型用于其它测试任务的测试时长的预测。
98.作为本发明实施例一种可选的实施方式，本发明实施例提供的模型训练方法还包括如下步骤a至步骤d：
99.步骤a、以预设时长为周期，周期性的获取新增历史测试数据。
100.示例性的，预设时长可以为3天、5天等。
101.本发明实施例中的新增历史测试数据是指：在本次获取历史测试任务的测试数据之前，在各次获取历史测试任务的测试数据时均未获取到某一历史测试任务的测试数据，而在本次获取历史测试任务的测试数据时，获取到了该历史测试任务的测试数据，则该历史测试任务的测试数据为本发明实施例中定义的增历史测试数据。
102.步骤b、根据各个新增历史测试任务的测试数据，获取各个新增历史测试任务的排期影响因素。
103.同样，新增历史测试任务的排期影响因素可以包括：提测单号、提测日期、对应的历史待测试软件、历史待测试软件的提测模块、历史待测试软件的开发人员、历史待测试软件所属的产品线、历史待测试软件所属的代码分支、历史待测试软件的代码提交号、历史测试软件中的错误数量、各个错误的严重程度、各个错误的修复耗时长度中的至少一个。
104.步骤c、根据各个新增历史测试任务的排期影响因素和测试时长对所述排期模型进行优化训练。
105.由于上述实施例中以预设时长为周期，周期性的获取新增历史测试数据，根据各个新增历史测试任务的测试数据，获取各个新增历史测试任务的排期影响因素，并基于新增历史测试任务的排期影响因素对所述排期模型进行训练，因此上述实施例可以持续对排期模型进行优化，不断提升排期模型预测的测试任务的测试时长的可靠性。
106.本发明实施例提供了一种测试处理方法，参照图3所示，该测试处理方法包括如下步骤s31至s34：
107.s31、获取目标测试任务的提测信息。
108.可选的，所述提测信息包括：提测单号、提测日期、所述目标测试任务对应的待测试软件、所述待测试软件的提测模块、所述待测试软件的开发人员、所述待测试软件所属的产品线、所述待测试软件的代码提交号(commit id)中的至少一个。
109.作为本发明实施例一种可选的实施方式，上述步骤s31(获取目标测试任务的提测
信息)一种实现方式包括：
110.以预设时长为周期，周期性的检测提测系统中是否具有未处理的测试任务，若所述提测系统中具有至少一个未处理的测试任务，则分别将所述至少一个未处理的测试任务作为所述目标测试任务，并提取所述目标测试任务的提测信息。
111.示例性的，预设时长可以为1天、2天等。
112.需要说说明的是，本发明实施例中的提测信息还可以包括待测试软件的存储路径、用于指示待测试软件已存在的问题或可能存在的问题的测试注意事项、测试环境说明、自测结果说明、代码变动影响范围等信息，本发明实施例对此不作限定。
113.s32、根据所述提测信息获取所述目标测试任务的排期影响因素。
114.可选的，根据所述提测信息获取所述目标测试任务的排期影响因素的实现方式可以包括：
115.根据提测信息获取所述目标测试任务对应的待测试软件的代码改动量、所述目标测试任务对应的待测试软件的开发时长、所述目标测试任务对应的待测试软件的开发人员是否具有相关经验；
116.根据提测信息获取所述目标测试任务对应的待测试软件的代码改动量、所述目标测试任务对应的待测试软件的开发时长、所述目标测试任务对应的待测试软件的开发人员是否具有相关经验，预测待测试软件中的错误数量、各个错误的严重程度、各个错误的修复耗时长度。
117.进一步的，根据提测信息获取所述目标测试任务对应的待测试软件的代码改动量、所述目标测试任务对应的待测试软件的开发时长、所述目标测试任务对应的待测试软件的开发人员是否具有相关经验的实现方式可以包括：
118.根据所述待测试软件所属的产品线、所述待测试软件所属的代码分支以及所述待测试软件的提交号从代码仓库中提取所述待测试软件和前一版本的所述待测试软件，并根据所述待测试软件和前一版本的所述待测试软件计算待测试软件的代码改动量；
119.根据所述提测日期和所述提测单号计算待测试软件的开发时长；
120.根据所述目标测试任务对应的待测试软件的开发人员和各个版本的所述待测试软件的开发人员，确定所述待测试软件的开发人员是为其它版本的所述待测试软件的开发人员，进而确定代码修改人员有无相关经验。
121.s33、根据所述目标测试任务的排期影响因素和排期模型，获取所述目标测试任务的测试时长。
122.其中，所述排期模型为基于多个历史测试任务的排期影响因素和测试时长对线性回归模型进行训练获取的模型。
123.具体的，根据基于多个历史测试任务的排期影响因素和测试时长对线性回归模型进行训练获取所述排期模型的实现方式可以参照上述模型训练实施，在此不再赘述。
124.s34、输出所述目标测试任务的测试时长。
125.具体的，输出所述目标测试任务的测试时长的实现方式可以包括：将所述目标测试任务的测试时长显示于目标设备的显示屏上、以邮件方式将所述目标测试任务的测试时长发送至指定邮箱、以短消息方式将所述目标测试任务的测试时长发送至指定终端设备等，本发明实施例中对输出所述目标测试任务的测试时长的实现方式不做限定，以相关开
发人员能够查看目标测试任务的测试时长为准。
126.本发明实施例提供的测试处理方法在获取目标测试任务的提测信息后，先根据目标测试任务的提测信息获取目标测试任务的排期影响因素，再根据目标测试任务的排期影响因素和排期模型预测所述目标测试任务的测试时长，并输出所述目标测试任务的测试时长。由于本发明实施例提供的测试处理方法可以基于包括多个历史测试任务的排期影响因素和测试时长的样本数据对线性回归模型进行训练获取排期模型，并根据目标测试任务的提测信息和排期模型预测所述目标测试任务的测试时长，因此本发明实施例可以避免对排期人员经验的依赖以及避免遗漏影响测试时长的关键因素，因此提升预测的测试任务的测试时长的可靠性。
127.基于同一发明构思，作为对上述方法的实现，本发明实施例还提供了一种模型训练装置和测试处理装置，该模型训练装置和测试处理装置实施例与前述对应的方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的模型训练装置和测试处理装置能够对应实现前述对应方法实施例中的全部内容。
128.图4为本发明实施例提供的模型训练装置的结构示意图，如图4所示，本实施例提供的模型训练装置400包括：
129.获取单元41，用于获取多个历史测试任务的测试数据以及测试时长；
130.处理单元42，用于根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素；
131.生成单元43，用于根据各个历史测试任务的排期影响因素和测试时长生成样本数据；
132.训练单元44，用于基于所述样本数据对线性回归模型进行训练，获取排期模型。
133.作为本发明实施例一种可选的实施方式，所述训练单元44，具体用于将所述样本数据分为训练数据集和测试数据集；基于所述训练数据集对所述线性回归模型进行训练，获取初始模型；基于所述测试数据集对所述初始模型进行评估，获取评估结果；在所述评估结果不满足预设条件时，对所述训练数据集中的历史测试数据进行优化，并重新对所述线性回归模型进行训练；在所述评估结果满足预设条件时，将所述初始模型作为所述排期模型。
134.作为本发明实施例一种可选的实施方式，所述训练单元44，还用于以预设时长为周期，周期性的获取新增历史测试任务的测试数据以及测试时长；根据各个新增历史测试任务的测试数据，获取各个新增历史测试任务的排期影响因素；根据各个新增历史测试任务的排期影响因素和测试时长对所述排期模型进行优化训练。
135.作为本发明实施例一种可选的实施方式，所述处理单元42，还用于在根据各个历史测试任务的测试数据，获取各个历史测试任务的排期影响因素之前，删除所述多个历史测试任务的测试数据中的异常数据。
136.本实施例提供的模型训练装置可以执行上述方法实施例提供的模型训练方法，其实现原理与技术效果类似，此处不再赘述。
137.图5为本发明实施例提供的测试处理装置的结构示意图，如图5所示，本实施例提供的测试处理装置500包括：
138.获取单元51，用于获取目标测试任务的提测信息；
139.处理单元52，用于根据所述提测信息获取所述目标测试任务的排期影响因素；
140.预测单元53，用于根据所述目标测试任务的排期影响因素和排期模型，获取所述目标测试任务的测试时长；所述排期模型为基于多个历史测试任务的排期影响因素和测试时长对线性回归模型进行训练获取的模型；
141.输出单元54，用于输出所述目标测试任务的测试时长。
142.作为本发明实施例一种可选的实施方式，所述获取单元51，具体用于以预设时长为周期，周期性的检测提测系统中是否具有未处理的测试任务；若所述提测系统中具有至少一个未处理的测试任务，则分别将所述至少一个未处理的测试任务作为所述目标测试任务，并提取所述目标测试任务的提测信息。
143.本实施例提供的测试处理装置可以执行上述方法实施例提供的测试处理方法，其实现原理与技术效果类似，此处不再赘述。
144.基于同一发明构思，本发明实施例还提供了一种电子设备。图6为本发明实施例提供的电子设备的结构示意图，如图6所示，本实施例提供的电子设备包括：存储器61和处理器62，所述存储器61用于存储计算机程序；所述处理器62用于在执行所述计算机程序时，使得所述电子设备实现上述方法实施例提供的模型训练方法或测试处理方法。
145.具体的，存储器61可用于存储软件程序以及各种数据。存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
146.处理器62是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各部分，通过运行或执行存储在存储器61中的软件程序和/或模块，以及调用存储在存储器61中的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器62可包括一个或多个处理单元。
147.此外，应当理解的是，本发明实施例提供的电子设备还可以包括：射频单元、网络模块、音频输出单元、传感器、信号接收单元、显示器、用户接收单元、接口单元、以及电源等部件。本领域技术人员可以理解，上述描述出的电子设备的结构并不构成对电子设备的限定，电子设备可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
148.其中，射频单元可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器62处理；另外，将上行的数据发送给基站。通常，射频单元包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元还可以通过无线通信系统与网络和其他设备通信。
149.电子设备通过网络模块为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
150.音频输出单元可以将射频单元或网络模块接收的或者在存储器61中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元还可以提供与电子设备执行的
特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元包括扬声器、蜂鸣器以及受话器等。
151.信号接收单元用于接收音频或视频信号。接收单元可以包括图形处理器(graphics processing unit，gpu)和麦克风，图形处理器对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元上。经图形处理器处理后的图像帧可以存储在存储器(或其它存储介质)中或者经由射频单元或网络模块进行发送。麦克风可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元发送到移动通信基站的格式输出。
152.电子设备还包括至少一种传感器，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在电子设备移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，加速计传感器可检测各方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
153.显示单元用于显示由用户输入的信息或提供给用户的信息。显示单元可包括显示面板，可以采用液晶显示器(liquid crystal display，lcd)、有机发光二极管(organic light-emitting diode,oled)等形式来配置显示面板。
154.用户接收单元可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户接收单元包括触控面板以及其他输入设备。触控面板，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)。触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器62，接收处理器62发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板。除了触控面板，用户接收单元还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
155.进一步的，触控面板可覆盖在显示面板上，当触控面板检测到在其上或附近的触摸操作后，传送给处理器62以确定触摸事件的类型，随后处理器62根据触摸事件的类型在显示面板上提供相应的视觉输出。一般情况下，触控面板与显示面板是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板与显示面板集成而实现电子设备的输入和输出功能，具体此处不做限定。
156.接口单元为外部装置与电子设备连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(i/o)端口、视频i/o端口、耳机端口等等。接口单元可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到
的输入传输到电子设备中的一个或多个元件或者可以用于在电子设备和外部装置之间传输数据。
157.电子设备还可以包括给各部件供电的电源(比如电池)，可选的，电源可以通过电源管理系统与处理器62逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
158.本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例提供的模型训练方法或测试处理方法。
159.本领域技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
160.计算机可读介质包括永久性和非永久性、可移动和非可移动存储介质。存储介质可以由任何方法或技术来实现信息存储，信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。根据本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
161.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
162.以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。