为了度量和预测Issue跟踪系统的单个变更请求报告得到关闭、解决的可能性,本文定义若干衡量变更请求报告特征的指标,选择在训练数据集上预测效果最佳的指标构建Logistic回归预测模型。使用提出的方法对SourceForge的20个项目构成的测试数据集进行实验,在SourceForge得到平均查全率94%和平均伪正率14%。将SourceForge上筛选得到的5个指标迁移到JIRA项目做预测,得到查全率96.5%和伪正率56.1%。实验结果分析表明:提出的方法在不同的Issue跟踪系统测试数据集上取得较好的预测性能;关闭状态的变更请求报告所占的百分比或数量大小并不影响模型的性能;变更请求报告具有的某些特征可用于预测其在下一版本中得到关闭的可能性。Issue跟踪系统中的变更请求报告之间由于依赖、影响而产生复杂的“变更请求关联网络”。检测和识别网络图中重要的变更请求报告节点可以辅助开发者更好地理解、实现、修复变更请求报告所反映的需求。通过抓取Apache Hadoop相关项目的Issue Links以及其相关数据,在54个项目46759个变更请求报告包含38529对关联关系构建变更请求关联网络图,使用5个度量指标分析变更请求报告在所组成关联网络中的重要性。把预测单个变更请求关闭可能性的结果和在关联网络图使用网络度量指标分析得到的重要性排序度量指标(变更请求报告之间)进行相关性验证。得到的关闭可能性概率和局部度量指标(出度和度)的相关性和显著性比全局和随机游走指标要好,但相关程度较弱的结果。实验结果表明,具有关联关系的变更请求重要性分析比较复杂,需要全面考虑单个需求的重要性和它在全局关联网络位置。具有关联关系的需求需要重视后向上关联的需求,后向具有的需求越多,越需要综合分析。