[发明专利]视频业务中基于多层神经网络的用户体验质量的预测方法

说明书

本发明公开了视频业务中基于多层神经网络的用户体验质量的预测方法，包括数据预处理，即选择视频业务中影响用户体验的特征参数，根据用户的报障/非报障将其映射为用户的QoE。随后建立多层神经网络的QoE预测模型，该神经网络包含五层，从低到高依次为：输入层—第一隐层—第二隐层—第三隐层—输出层。输入预处理后的数据，获得模型的最佳参数值，训练上述建立好的神经网络模型。最后完成用户体验质量QoE预测。本发明对数据进行预处理，选取重要的特征属性，综合考虑各种参数，可以使模型预测的视频质量真正接近用户对视频质量的主观体验，有助于更好预测用户体验质量，有利于及时准确反馈结果，帮助服务提供商和网络运营商不断完善视频业务和传输服务。

技术领域

本发明涉及用户体验质量预测，特别涉及视频业务中基于多层神经网络的用户体验质量预测方法。

背景技术

互联网技术的快速发展使得人们可以访问各种多媒体服务，特别地，现在IPTV提供各种服务，使得人们的生活变得丰富多彩。但另一方面，服务提供商和网络运营商则更加关心所提供视频服务的质量，即所观看视频的IPTV用户体验究竟如何。这使得用户体验质量的预测评价成为服务提供商和网络运营商所关注的热点。用户体验质量(QoE)的定义是“终端用户感知的应用或服务的总体可接受性”。QoE不仅受到服务本身的影响，而且还受用户所处的环境的影响。由于机器学习具有智能化地解决大数据信息处理的能力，其可以应用于IPTV用户体验质量的预测。然而，传统的机器学习方法，如支持向量机、决策树等的预测性能十分有限，无法准确地完成该任务，因而需要设计新型的模型及预测方法，完成IPTV用户体验质量的预测及提升。

发明内容

本发明的目的在于解决上述问题，即准确、高效地预测IPTV用户体验质量，设计了基于多层神经网络的用户体验质量的预测方法。本发明所采用的技术方案具体包括如下步骤：

步骤1：数据预处理：选择视频业务中影响用户体验的的特征参数，其包含警告次数、损失率、出口下载带宽、媒介速率、延时、媒体丢失率、CPU使用率、视频传输质量。此外，根据IPTV用户的报障/非报障，将其映射为用户的QoE，当QoE为1时，表示用户对所用业务满意，而当QoE为0时，用户不满意；

步骤2：建立QoE预测模型：这里采用的是多层神经网络模型。该神经网络包含五层(从低到高排序：输入层—第一隐层—第二隐层—第三隐层—输出层)，其中，输入层有10个神经元，第一隐层有30个神经元，第二隐层有100个神经元，第三隐层有50个神经元，输出层是1个神经元。多层神经网络的第l层的第i个神经元的输出为：

在上式中，表示神经网络的第l层的第i个神经元的输出，表示神经网络的第l-1层的输出，表示第l层的第i个神经元的权重，表示第l层第i个神经元的的偏差。f(·)表示激活函数，在这里采用的是ReLU函数：

其中，z是输入数值，即

步骤3：训练QoE预测模型：输入预处理后的数据，采用基于随机梯度下降(SGD)的后向传播(BP)方法获得模型的最佳参数值，训练步骤2建立好的神经网络模型，其具体过程如下：

(3-1)确定dropdout比例为0.2，

其中，是服从概率为p的伯努利分布，此处p也就是dropout比例。则，第l-1层的输出变为所以第l层的第i个神经元的输出为

(3-2)确定学习率α为0.1，其是用来控制SGD算法的步长。

(3-3)初始化每一层输入数据的权重，即说明第l-1层有m个输出。初始化每一层偏差，其中，n为第l层神经元的个数。均服从正态分布。此外，令迭代次数m＝1，设定总迭代次数为M；