[發明專利]一種基于BP?Adaboost神經網絡的用戶體驗質量的預測方法

在審

• 申請號: 201710291022.1
• 申請日: 2017-04-28
• 公開（公告）號: CN107087160A
• 公開（公告）日: 2017-08-22
• 發明（設計）人: 魏昕;黃若塵;高赟;毛佳麗;周亮
• 申請（專利權）人: 南京郵電大學
• 主分類號: H04N17/00
• 分類號: H04N17/00
• 代理公司: 南京知識律師事務所32207
• 代理人: 李湘群

技術領域

本發明涉及視頻業務中的用戶體驗質量分析技術領域，尤其涉及一種基于BP-Adaboost 神經網絡的用戶體驗質量的預測方法。

背景技術

隨著有線4K、移動2K、AR/VR等業務的興起以及通信和網絡技術的飛速發展，原本已 經炙手可熱的視頻服務更是紅得發紫，產業鏈熱情被極大點燃，包括視頻服務商、運營商、 互聯網服務提供商、設備商等在內的各個環節都積極投身于大視頻熱潮。在大視頻時代下， 各種網絡中蓬勃發展的視頻服務強調的已不僅僅是速度、是帶寬、是視頻質量，更是用戶的 感受和體驗。面對海量的視頻服務，用戶最終根據的還是自身的體驗去做出判斷和選擇。對 于視頻服務提供商和網絡運營商而言，用戶體驗的優劣直接影響到視頻服務的普及度。只有 變被動運維為主動感知，提升服務質量，從而實現持續提升用戶的認可度和黏度，將網絡資 源和運營活動定位到最有價值的用戶群體中，實現用戶群的穩定和資源的優化，才能在激烈 的競爭中實現產業收入的持續增長。

科學地定義度量用戶體驗的標準，對于提升體驗而言是首先需要解決的問題。當前，體 驗質量(Quality of Experience,QoE)常用來評價和描述用戶的主觀感受。QoE越好，說明IPTV 提供的視頻服務越好。故而，對于用戶體驗質量的預測變得尤為重要。雖然針對用戶QoE預 測的機器學習模型和方法很多，但往往存在模型的適應性不夠靈活，忽略不同特征之間的獨 立性，導致預測的準確度不夠高等缺點。因此，需要設計高效、準確地用戶QoE預測方法。 而本發明能夠很好地解決上面的問題。

發明內容

本發明目的在于解決上述現有技術的不足，提出了一種基于BP-Adaboost神經網絡的用戶 體驗質量的預測方法，該方法應用于解決現有IPTV視頻業務中對于用戶體驗質量的預測準 確性不高的問題，該方法首先從IPTV機頂盒采集到的數據中抽取KPI數據，并提取特征， 特別設計了用戶觀看率作為其中的重要特征，而后基于Adaboost框架，并將BP神經網絡嵌 入其中，作為弱分類器，完成BP-Adaboost神經網絡模型的訓練，而后對未知用戶體驗質量 的KPI數據進行預測。采用本發明的方法，能夠有助于從用戶主觀感受出發，更好地預測用 戶體驗質量，并且所設計的新型的模型訓練和預測方法可以更加準確、高效地預測用戶體驗 質量。

本發明解決其技術問題所采取的技術方案是：一種基于BP-Adaboost神經網絡的用戶體 驗質量的預測方法，該方法包括如下步驟：

步驟1：數據預處理，確定影響用戶滿意度的因素。

(1-1)從IPTV機頂盒收集的視頻業務的關鍵性能指標(KPI)原始記錄中，挑選固定時 間長度的KPI數據，每條KPI數據中包含5個屬性：設備傳輸時延df、設備丟包率lp、媒體 丟失率lm、用戶觀看視頻的開始時間start_time、觀看視頻的結束時間end_time；

(1-2)計算節目觀看率V_r，其計算公式如下：

在上式中，program_time為該節目的總時長，其可以由節目的id號，通過查詢視頻供應商 的節目單，映射得到。最終每個KPI數據的特征為:{df,lp,lm,V_r}；KPI數據集為 其對應的標簽為Y＝{y₁,...,y_i,...,y_N}，其中當y_i＝1表示用戶體驗不佳， y_i＝0表示用戶體驗正常。

(1-3)對KPI數據集進行標準化，即，先求出的均值μ和方差Σ，標準化后的數據為： X＝{x₁,...,x_i,...,x_N}。

步驟2：訓練模型。輸入預處理后的數據，訓練得到BP_Adaboost模型，具體過程如下：

(2-1)初始化訓練數據的權重D₁＝(w₁₁,…,w_1i,…,w_1N)，其中w_1i＝1/N，i＝1,2,…,N，N表示 數據量；此外，令迭代次數m＝1，設定總迭代次數為M；

(2-2)開始迭代，采用選擇一個三層神經網絡，其包含輸入層—隱層—輸出層，各層的 節點數分別為4、8、2，采用標準的反向傳導(BP)算法，訓練得到弱分類器G_m(X)，需要 說明的是G_m(X)的輸出為0或1。