[发明专利]一种基于BP‑Adaboost神经网络的用户体验质量的预测方法

说明书

技术领域

本发明涉及视频业务中的用户体验质量分析技术领域，尤其涉及一种基于BP-Adaboost 神经网络的用户体验质量的预测方法。

背景技术

随着有线4K、移动2K、AR/VR等业务的兴起以及通信和网络技术的飞速发展，原本已 经炙手可热的视频服务更是红得发紫，产业链热情被极大点燃，包括视频服务商、运营商、 互联网服务提供商、设备商等在内的各个环节都积极投身于大视频热潮。在大视频时代下， 各种网络中蓬勃发展的视频服务强调的已不仅仅是速度、是带宽、是视频质量，更是用户的 感受和体验。面对海量的视频服务，用户最终根据的还是自身的体验去做出判断和选择。对 于视频服务提供商和网络运营商而言，用户体验的优劣直接影响到视频服务的普及度。只有 变被动运维为主动感知，提升服务质量，从而实现持续提升用户的认可度和黏度，将网络资 源和运营活动定位到最有价值的用户群体中，实现用户群的稳定和资源的优化，才能在激烈 的竞争中实现产业收入的持续增长。

科学地定义度量用户体验的标准，对于提升体验而言是首先需要解决的问题。当前，体 验质量(Quality of Experience,QoE)常用来评价和描述用户的主观感受。QoE越好，说明IPTV 提供的视频服务越好。故而，对于用户体验质量的预测变得尤为重要。虽然针对用户QoE预 测的机器学习模型和方法很多，但往往存在模型的适应性不够灵活，忽略不同特征之间的独 立性，导致预测的准确度不够高等缺点。因此，需要设计高效、准确地用户QoE预测方法。 而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于解决上述现有技术的不足，提出了一种基于BP-Adaboost神经网络的用户 体验质量的预测方法，该方法应用于解决现有IPTV视频业务中对于用户体验质量的预测准 确性不高的问题，该方法首先从IPTV机顶盒采集到的数据中抽取KPI数据，并提取特征， 特别设计了用户观看率作为其中的重要特征，而后基于Adaboost框架，并将BP神经网络嵌 入其中，作为弱分类器，完成BP-Adaboost神经网络模型的训练，而后对未知用户体验质量 的KPI数据进行预测。采用本发明的方法，能够有助于从用户主观感受出发，更好地预测用 户体验质量，并且所设计的新型的模型训练和预测方法可以更加准确、高效地预测用户体验 质量。

本发明解决其技术问题所采取的技术方案是：一种基于BP-Adaboost神经网络的用户体 验质量的预测方法，该方法包括如下步骤：

步骤1：数据预处理，确定影响用户满意度的因素。

(1-1)从IPTV机顶盒收集的视频业务的关键性能指标(KPI)原始记录中，挑选固定时 间长度的KPI数据，每条KPI数据中包含5个属性：设备传输时延df、设备丢包率lp、媒体 丢失率lm、用户观看视频的开始时间start_time、观看视频的结束时间end_time；

(1-2)计算节目观看率V_r，其计算公式如下：

在上式中，program_time为该节目的总时长，其可以由节目的id号，通过查询视频供应商 的节目单，映射得到。最终每个KPI数据的特征为:{df,lp,lm,V_r}；KPI数据集为 其对应的标签为Y＝{y₁,...,y_i,...,y_N}，其中当y_i＝1表示用户体验不佳， y_i＝0表示用户体验正常。

(1-3)对KPI数据集进行标准化，即，先求出的均值μ和方差Σ，标准化后的数据为： X＝{x₁,...,x_i,...,x_N}。

步骤2：训练模型。输入预处理后的数据，训练得到BP_Adaboost模型，具体过程如下：

(2-1)初始化训练数据的权重D₁＝(w₁₁,…,w_1i,…,w_1N)，其中w_1i＝1/N，i＝1,2,…,N，N表示 数据量；此外，令迭代次数m＝1，设定总迭代次数为M；

(2-2)开始迭代，采用选择一个三层神经网络，其包含输入层—隐层—输出层，各层的 节点数分别为4、8、2，采用标准的反向传导(BP)算法，训练得到弱分类器G_m(X)，需要 说明的是G_m(X)的输出为0或1。