[发明专利]一种联合网络参数和视频质量的用户体验质量预测方法

说明书

本发明公开了一种联合网络参数和视频质量的用户体验质量预测方法，包括以下步骤：步骤1：基于SQoE‑III数据库，筛选出对QoE预测分数影响最大的若干因素，得到若干参数；步骤2：基于LFOVIA数据集筛选出与主观评价分数相关性最强的VQA方法，得到与视频质量的相关性最大，对QoE预测分数的影响最大参数；步骤3：建立一个三层的多输入单输出的BP神经网络模型；其中神经网络结构共有4个参数，分别是迭代次数，训练误差目标，隐含层元素个数和学习率。本发明将QoS参数和VQA评价方法相结合的QoE预测模型，将网络状况和基于人眼感知的视频质量评估作为输入参数参与模型建立，更加准确的评估视频实时的QoE，在云演艺业务中提升服务质量，给用户更好的使用感受。

技术领域

本发明涉及用户体验质量预测分析技术领域，尤其是一种联合网络参数和视频质量的用户体验质量预测方法。

背景技术

观众可以通过手机、平板电脑等个人终端设备观看通过录播或直播形式放送的演出，而这些演出仍然是在正常的演播室或剧院内进行的，只是现场并没有观众。而用户为取得和在线下的剧场里观看演出相同的体验，对体验质量的要求很高，但是单一的主观评分难以充分反映用户的实际体验质量。

发明内容

本发明的目的在于设计了一种联合网络参数和视频质量的用户体验质量预测方法，以解决背景技术中所提出的问题。将QoS参数和VQA评价方法相结合的QoE预测模型，将网络状况和基于人眼感知的视频质量评估作为输入参数参与模型建立，更加准确的评估视频实时的QoE，在云演艺业务中提升服务质量，给用户更好的使用感受。

为实现上述目的，本发明提供如下技术方案：一种联合网络参数和视频质量的用户体验质量预测方法，包括以下步骤：

步骤1：基于SQoE-III数据库，筛选出对QoE预测分数影响最大的若干因素，得到若干参数；

步骤2：基于LFOVIA数据集筛选出与主观评价分数相关性最强的VQA方法，得到与视频质量的相关性最大，对QoE预测分数的影响最大参数；

步骤3：建立一个三层的多输入单输出的BP神经网络模型；其中神经网络结构共有4个参数，分别是迭代次数，训练误差目标，隐含层元素个数和学习率；

步骤4：设定迭代次数，训练误差目标，隐含层元素个数和学习率的具体值；

步骤5：在所述预测模型中进行训练和用户的体验质量的预测。作为本发明的一种优选实施方式，所述步骤3包括以下步骤：

步骤31：提取步骤1和步骤2中得到的参数为输入向量，确认BP神经网络模型输入层中神经元的数量；

步骤32：在用户数据中提取若干数据作为样本数据，从而提取若干数据为训练样本，在输入层接受训练样本并将数据传递到隐藏层；

步骤33：根据训练样本的个数确定所述隐藏层的神经元个数；

步骤34：数据传输至输出层。对于输入的四项网络参数，在该多输入单输出的BP神经网络中映射到至10个中间参数；然后将10个中间参数值映射至单输出层，即预测的QoE分值。输入层至隐藏层、隐藏层至输出层之间，使用相同的Sigmoid激活函数，迭代1000次，使用反向传播对减小误差并对神经网络内部参数进行调整，直至达到训练误差目标，输出最终QoE预测值，并进行均方根误差展示。

作为本发明的一种优选实施方式，所述步骤1中，得到的参数为再缓冲次数、再缓冲占比和平均加权比特率。

作为本发明的一种优选实施方式，所述步骤2中，得到的参数为MS-SSIM。

作为本发明的一种优选实施方式，所述步骤4中，设定迭代次数为1000，训练误差目标为0.001，隐含层元素个数为10，学习率为0.05。