通过预测监视，从图7和图8中可以看出，两条TS曲线的变化规律都很不明显，曲线的变化在一个特定的上下限范围之内的趋势也不是很明确，且也并不是在“0”上下移动，所以可以初步断定，对于我们给定的数据，用S型曲线拟合得到的模型的渐近值K值是不稳定的，换句话说，过去起作用的模型在未来的预测中反而变得无效。

　　通过对K值的趋势和TS的变化进行实验分析得出，根据我们所给出的项目数据得出的K值是不断变化的，要根据数据的更新不断的更新模型的K值，而不是永远的使用单一的K值。

　　由以上这个例子，我们想说明的是，趋近值K值是否稳定，并不是单靠观察数据能得出来的，而是需要通过实验具体分析。而这节给出的分析方法，到目前为止，是考量K值是否稳定的较为常用的方法。

　　下面给出一个较为不同的例子。使用的数据来自于另一项目每周发现的缺陷数。如图9所示，图中的曲线是利用Gompertz模型拟合后得到的K值的趋势变化情况。

图9 每周发现缺陷数用Gompertz曲线模型拟合后的K值变化

　　从图9可以看到这样一种与之前那个例子不同的情况。在这个例子中，K值的变化并非遵循着指数模型或其它非线性模型的变化趋势；K值也同样不是以类似水平直线的形状稳定发展，而是以1200.0（近似）为中心，趋势由震荡—>趋于平稳，震荡的幅度由大幅震荡逐步减小，一直趋近于震荡的中心值（1200.0）。单纯的从理论上看，这可能是一种较好的结果，K值的变化逐步减小 ，终趋近于一个稳定值，这样，我们可以得到我们想计算得出的稳定的参数K。然而从实践中来看 ，我们这组实验有着一定的局限性，其中重要的，是用于预测的数据量较少（这个例子中仅有12个数据），这样的情况下，得到的结果可能是局部的，后期的发展可能并不遵循一样的规律。

　　这里我们想传达一种观点：K值稳定性的预测是S型曲线模型的一个重要方面。在缺陷预测中，知道了K值，也知道了终会出现多少缺陷 ，从而得出目前还没有发现多少缺陷，软件是否可以发布 。如果K值是稳定的，那么可以尽早的知道终的缺陷数；如果K值是不稳定的，则需要对历史数据进行多次的拟合，以找到合适的数据，甚至可能更新或更换选择的模型。

　　所以，在利用S型曲线模型进行缺陷的预测时，应当同时对K进行分析，从而得出更准确的结果。

　　到这里为止，关于K值稳定性的讨论暂时告一段落了。不知道大家都有些什么看法，欢迎留言~