本發(fā)明具體涉及一種移動端http視頻流的體驗質(zhì)量評估方法。

背景技術：

智能手機和平板電腦的普及已經(jīng)導致在有線和無線網(wǎng)絡中產(chǎn)生大量的流量消耗，并導致用戶產(chǎn)生大量流量的浪潮。移動數(shù)據(jù)流量將會以61％的復合年增長率增加，到2018年每個月的流量將達到15.9艾字節(jié)。這些增長的比例是由移動視頻組成的。在2016年移動視頻產(chǎn)生的流量占移動數(shù)據(jù)的53％，這樣的趨勢在2018年將會高達69％。這些流量包括各種各樣的視頻服務，例如：漸進式下載、實時視頻流、基于http協(xié)議的流服務和互動電話。

當前智能手機已經(jīng)成為最典型的的移動設備用于訪問internet。最近的預測顯示，到2016年為止，世界的四分之一的人將使用智能手機訪問最流行的的服務，例如：youtube、facebook、what'sapp等。根據(jù)思科(cisco)全球移動數(shù)據(jù)流量預測，到2019年智能手機產(chǎn)生的流量將會占據(jù)移動數(shù)據(jù)流量的四分之三。根據(jù)這種趨勢，峰狀網(wǎng)絡(無線網(wǎng)的一種)運營商將會對理解如何決定他們訪問的網(wǎng)絡和怎樣管理用戶的流量從而可以吸引更多新的用戶越來越感興趣。在這種情況下，體驗質(zhì)量(qoe)的概念很有成為管理峰狀網(wǎng)絡質(zhì)量的主要的指導規(guī)范。

當前，移動網(wǎng)絡的用戶在internet中可以享受許多多媒體服務。多媒體服務需要高速數(shù)據(jù)傳輸?shù)木W(wǎng)絡。事實上，對于3g、4g或者其它網(wǎng)絡服務提供商來說，提供一個高速數(shù)據(jù)率的服務不是一件困難的事情。基于現(xiàn)在的技術(像hsdpa、lte-a)，技術上的限制已經(jīng)不用考慮。事實上，任何一家網(wǎng)絡服務提供商都可以給任何一個用戶提供一個高速服務。因此，為了增加和維持用戶的數(shù)量，服務提供商開始逐步關心用戶的體驗質(zhì)量(qoe)：體驗質(zhì)量(qoe)是用戶在一定的環(huán)境中對所使用的服務或者業(yè)務的整體認可程度。目前為止，尚無一種能夠準確反饋用戶對于服務提供商所提供的視頻流的體驗質(zhì)量的方法，從而使得視頻流的服務提供商無法通過獲取用戶的qos參數(shù)來獲得用戶的滿意度，從而無法改善和提高用戶的滿意度。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種能夠準確反饋用戶對于視頻流的體驗質(zhì)量的移動端http視頻流的體驗質(zhì)量評估方法。

本發(fā)明提供的這種移動端http視頻流的體驗質(zhì)量評估方法，包括如下步驟：

s1.設置視頻流體驗質(zhì)量的評估參數(shù)值指標；

s2.挑選用于建模的視頻體驗評分參與者和視頻；

s3.讓步驟s2挑選的視頻體驗評分參與者觀看對應的視頻，并獲取視頻體驗評分參與者在觀看視頻時的評估參數(shù)值指標，并在用戶觀看視頻完畢或者關閉視頻時讓用戶對該視頻的服務質(zhì)量進行評分；

s4.對步驟s3獲取的評估參數(shù)值指標和用戶對視頻服務質(zhì)量的評分進行數(shù)據(jù)濾波；

s5.利用步驟s4得到的數(shù)據(jù)，采用線性回歸分析法將評估參數(shù)指標與視頻服務質(zhì)量評分進行關聯(lián)，從而得到通過評估參數(shù)指標預測視頻的服務質(zhì)量評分的數(shù)據(jù)模型；

s6.用步驟s5得到的數(shù)據(jù)模型對移動端http視頻流的體驗質(zhì)量進行評分預測。

步驟s1所述的視頻流體驗質(zhì)量的評估參數(shù)值指標，具體包括視頻的總時長、視頻的當前播放時長、視頻緩沖次數(shù)、視頻緩沖的總時長、視頻的初始緩沖時間、視頻暫停的次數(shù)、視頻暫停的總時長、拖動視頻的次數(shù)和拖動視頻的總進度。

步驟s2所述的挑選用于建模的視頻體驗評分參與者，挑選的原則為：從不同年齡、不同性別、不同教育背景的用戶群體中隨機挑選4～40人作為視頻體驗評分參與者。

步驟s3所述的獲取視頻體驗評分參與者在觀看視頻時的評估參數(shù)值指標，具體為采用如下規(guī)則獲取評估參數(shù)指標：

a.直接獲取視頻的總時長和視頻的當前播放時長；

b.在視頻播放時添加緩沖監(jiān)聽變量，當視頻播放時出現(xiàn)緩沖情況則緩沖監(jiān)聽變量自動累加一次，從而獲取視頻的緩沖次數(shù)；(例如，android開發(fā)語言中的mediaplayer類中可以通過setonbufferingupdatelistener(newonbufferingupdatelistener())方法添加緩沖監(jiān)聽，每次發(fā)生緩沖事件時，系統(tǒng)調(diào)用onbufferingupdatelistener接口中的onbufferingupdate()方法進行處理緩沖事件。緩沖監(jiān)聽變量可以在onbufferingupdate()方法中自增1。在ios開發(fā)語言中也有相應的方法)

c.在視頻播放時添加緩沖監(jiān)聽變量，當視頻播放時出現(xiàn)緩沖情況時自動記錄緩沖開始的系統(tǒng)時間t1，同時記錄視頻緩沖結束時的系統(tǒng)時間t2，則每次緩沖時長th＝t2-t1；同時對每次緩沖時間t進行累加，從而得到視屏的緩沖總時長；

d.獲取視頻準備完畢時的系統(tǒng)時間t3，同時獲取用戶點擊視頻開始時的系統(tǒng)時間t4，則視頻初始緩沖時間tch＝t3-t4；

e.獲取用戶在視頻播放時點擊“暫?！惫δ苕I的次數(shù)，從而獲取視頻暫停的次數(shù)；

f.獲取用戶在視頻播放時點擊“暫?！惫δ苕I時的系統(tǒng)時間t5，同時獲取用戶在暫停視頻后重新播放視頻的系統(tǒng)時間t6，從而得到用戶當次暫停視頻的持續(xù)時間tz＝t6-t5；并對用戶每次暫定視頻的持續(xù)時間tz進行累加，從而得到用戶暫停的總時長；

g.獲取用于在視頻播放時點擊進度條拖動視頻的次數(shù)，從而獲取用戶的拖動視頻的次數(shù)；

h.獲取用戶拖動視頻時的初始視頻播放位置信息(比如視頻播放的時間)，并獲取用戶停止拖動并正常觀看視頻時的視頻播放位置(比如視頻播放的時間)，從而得到用戶拖動視頻的總進度。

步驟s3所述的讓用戶對該視頻的服務質(zhì)量進行評分，具體為采用國際電信聯(lián)盟建議的平均意見分值，將視頻的體驗質(zhì)量分為5個層次，即平均意見分值的取值范圍為整數(shù)值1～5，且每一個整數(shù)值分別代表體驗質(zhì)量的值為：bad、poor、fair、good、excellent。

步驟s4所述的對數(shù)據(jù)進行濾波，具體為采用如下步驟進行數(shù)據(jù)濾波：

(1)對某一項評估參數(shù)指標的參數(shù)進行數(shù)據(jù)清洗；

具體包括：缺失參數(shù)的代替和噪聲數(shù)據(jù)的光滑處理。

若某一項評估參數(shù)指標的參數(shù)有缺失，則采用該項參數(shù)種所有非缺失參數(shù)的平均數(shù)或中位數(shù)對該缺失的參數(shù)進行代替；

同時采用分箱方法對某一項評估參數(shù)指標中的噪聲數(shù)據(jù)進行光滑處理：

a.將某一項評估參數(shù)指標中的n個測量值x1,x2,...,xn從小到大排序，則排序后的序列為x1',x'2,...,x'n；

b.使用m個箱子來分裝n個觀測值；

c.采用等頻的方式將排序后的n個觀測值x1',x'2,...,x'n轉(zhuǎn)入m個箱子中，則每個箱子中都有個觀測值；

d.計算中每個箱中所有觀測值的平均數(shù)，然后分別算出該箱中的每個觀測值與平均值的歐幾里得距離，將歐幾里得距離值最大的觀測值(即為噪聲數(shù)據(jù))替換為該箱的平均值。(即光滑噪聲數(shù)據(jù)的方法)

(2)按照最小-最大規(guī)范化方法將數(shù)據(jù)清洗后的所有的評估參數(shù)指標規(guī)范化到統(tǒng)一的區(qū)間：

若某一項評估參數(shù)指標的n個觀測值為v1,v2,...,vn，且mina和maxa為該項評估參數(shù)指標的最小值和最大值，則采用如下公式計算規(guī)范化后的評估參數(shù)指標值vi'：

式中vi為規(guī)范化前的評估參數(shù)指標值，new_maxa為規(guī)范化后的評估參數(shù)指標值區(qū)間的最大值，new_mina為為規(guī)范化后的評估參數(shù)指標值區(qū)間的最小值；

(3)采用屬性子集選擇的貪心算法對規(guī)范化后的所有的評估參數(shù)指標進行數(shù)據(jù)降維。

步驟s5所述的采用線性回歸分析法得到通過評估參數(shù)指標預測視頻的服務質(zhì)量評分的數(shù)據(jù)模型，具體為采用如下步驟進行計算：

ⅰ.將每一種服務質(zhì)量參數(shù)值分別與服務質(zhì)量評分通過一元最小二乘多項式回歸方法建模，從而得到利用單個服務質(zhì)量參數(shù)值預測服務質(zhì)量評分的數(shù)據(jù)模型；

ⅱ.重復步驟s2～步驟s4，獲取新的評估參數(shù)值指標和視頻服務質(zhì)量評分數(shù)據(jù)，對步驟ⅰ得到的數(shù)據(jù)模型進行修正；

ⅲ.將所有的服務質(zhì)量參數(shù)與服務質(zhì)量評分通過多元線性回歸分析方法建模，從而得到利用所有服務質(zhì)量參數(shù)值預測服務質(zhì)量評分的數(shù)據(jù)模型；

ⅳ.重復步驟s2～步驟s4，獲取新的評估參數(shù)值指標和視頻服務質(zhì)量評分數(shù)據(jù)，對步驟ⅲ得到的數(shù)據(jù)模型進行修正。

步驟ⅰ所述的通過一元最小二乘多項式回歸方法建模，具體為采用如下步驟進行建模：

ⅰ.用x代表確定的某一種評估參數(shù)值指標，用xk代表該種評估參數(shù)值指標的第k次測量值；用y代表對應的視頻服務質(zhì)量評分，用yk代表視頻服務質(zhì)量評分的第k次的測量值；同時獲得了共m個數(shù)據(jù)樣本(xk，yk)；

ⅱ.參數(shù)a0,a1,..,an，其中n<m，使得多項式p(x)＝a0+a1x+...+anxⁿ滿足的值最?。粍t稱n次一元最小二乘擬合多項式為p(x)＝a0+a1x+...+anxⁿ；其中，n>＝0，n<m，參數(shù)a0,a1,...,an為未知參數(shù)；

ⅲ.得出關于未知參數(shù)a0,a1,...,an的矩陣形式的正規(guī)方程組為y＝xa，其中該矩陣為n+1行，1列；

a＝[a0a1...an]^t，該矩陣為n+1行，1列；

為n+1階矩陣；

ⅳ.求解步驟ⅲ的方程組，得到a0,a1,...,an，即得到預測模型。

步驟ⅲ所述的通過多元線性回歸分析方法建模，具體為采用如下步驟進行建模：

㈠.用x1,x2,...,xm對應于所有種類的評估參數(shù)值指標，用y代表對應的視頻服務質(zhì)量評分，(xi1,xi2,...,xim,yi)^t(i＝1,2,...,n)是(x1,x2,...,xm,y)^t的n個觀測值；

㈡.假設y和x1,x2,...,xm之間有線性關系，則多元線性回歸模型為：y＝β0+β1x1+...+βmxm+ε，其中，β0,β1,...,βm均為未知參數(shù)，m>1，m為自變量的個數(shù)；稱x1,x2,...,xm為回歸變量，β0,β1,...,βm為回歸系數(shù)，ε為殘差，ε～n(0,σ²)且σ²未知；

㈢.由于(xi1,xi2,...,xim,yi)^t(i＝1,2,...,n)是(x1,x2,...,xm,y)^t的n個觀測值，且滿足關系yi＝β0+β1xi1+β2xi2+...+βmxim+εi，(i＝1,...n)

㈣.用微分法求解算式其中xi0＝1，i＝1,2,...,n，從而得到正規(guī)方程組的矩陣形式為：其中，y＝(y1,y2,...,yn)^t，β＝(β0,β1,...,βm)^t，ε＝(ε0,ε1,...,εn)^t，

㈤.求得步驟㈣所述方程得到并將帶入模型即可得到最終的預測模型。

本發(fā)明提供的這種移動端http視頻流的體驗質(zhì)量評估方法，通過事先獲取實驗數(shù)據(jù)進行建模，并對模型進行修正的方式得到移動端http視頻流的體驗質(zhì)量評估模型，從而能夠?qū)σ苿佣薶ttp視頻流進行體驗質(zhì)量評估；本發(fā)明方法事先設置影響視頻體驗質(zhì)量的因素，并獲取影響因素的評分和視頻總得分，并科學合理的建立兩者之間的對應關系模型，從而得到視頻質(zhì)量評估體驗模型，因此本發(fā)明方法能夠準確反饋用戶對于視頻流的體驗質(zhì)量，而且方法簡單可靠，計算速度快。

附圖說明

圖1為本發(fā)明方法的步驟示意圖。

圖2為本發(fā)明方法的流程示意圖。

具體實施方式

如圖1所示為本發(fā)明方法的步驟示意圖：用戶通過移動設備觀看視頻，觀看視頻時的數(shù)據(jù)通過網(wǎng)絡傳輸?shù)蕉嗝襟w服務器，服務器存儲數(shù)據(jù)并保存到數(shù)據(jù)庫，數(shù)據(jù)庫則存儲本發(fā)明方法所需要的評估參數(shù)值和體驗評分數(shù)據(jù)。

如圖2所示為本發(fā)明方法的流程示意圖：本發(fā)明提供的這種移動端http視頻流的體驗質(zhì)量評估方法，包括如下步驟：

s1.設置視頻流體驗質(zhì)量的評估參數(shù)值指標，具體包括視頻的總時長、視頻的當前播放時長、視頻緩沖次數(shù)、視頻緩沖的總時長、視頻的初始緩沖時間、視頻暫停的次數(shù)、視頻暫停的總時長、拖動視頻的次數(shù)和拖動視頻的總進度；

s2.挑選用于建模的視頻體驗評分參與者和視頻；在挑選時，從不同年齡、不同性別、不同教育背景的用戶群體中隨機挑選4～40人作為視頻體驗評分參與者；

s3.讓步驟s2挑選的視頻體驗評分參與者觀看對應的視頻，并獲取視頻體驗評分參與者在觀看視頻時的評估參數(shù)值指標，并在用戶觀看視頻完畢或者關閉視頻時讓用戶對該視頻的服務質(zhì)量進行評分，具體為采用如下規(guī)則獲取評估參數(shù)指標：

a.直接獲取視頻的總時長和視頻的當前播放時長；

b.在視頻播放時添加緩沖監(jiān)聽變量，當視頻播放時出現(xiàn)緩沖情況則緩沖監(jiān)聽變量自動累加一次，從而獲取視頻的緩沖次數(shù)；(例如，android開發(fā)語言中的mediaplayer類中可以通過setonbufferingupdatelistener(newonbufferingupdatelistener())方法添加緩沖監(jiān)聽，每次發(fā)生緩沖事件時，系統(tǒng)調(diào)用onbufferingupdatelistener接口中的onbufferingupdate()方法進行處理緩沖事件。緩沖監(jiān)聽變量可以在onbufferingupdate()方法中自增1。在ios開發(fā)語言中也有相應的方法)

c.在視頻播放時添加緩沖監(jiān)聽變量，當視頻播放時出現(xiàn)緩沖情況時自動記錄緩沖開始的系統(tǒng)時間t1，同時記錄視頻緩沖結束時的系統(tǒng)時間t2，則每次緩沖時長th＝t2-t1；同時對每次緩沖時間t進行累加，從而得到視屏的緩沖總時長；

d.獲取視頻準備完畢時的系統(tǒng)時間t3，同時獲取用戶點擊視頻開始時的系統(tǒng)時間t4，則視頻初始緩沖時間tch＝t3-t4；

e.獲取用戶在視頻播放時點擊“暫?！惫δ苕I的次數(shù)，從而獲取視頻暫停的次數(shù)；

f.獲取用戶在視頻播放時點擊“暫?！惫δ苕I時的系統(tǒng)時間t5，同時獲取用戶在暫停視頻后重新播放視頻的系統(tǒng)時間t6，從而得到用戶當次暫停視頻的持續(xù)時間tz＝t6-t5；并對用戶每次暫定視頻的持續(xù)時間tz進行累加，從而得到用戶暫停的總時長；

g.獲取用于在視頻播放時點擊進度條拖動視頻的次數(shù)，從而獲取用戶的拖動視頻的次數(shù)；

h.獲取用戶拖動視頻時的初始視頻播放位置信息(比如視頻播放的時間)，并獲取用戶停止拖動并正常觀看視頻時的視頻播放位置(比如視頻播放的時間)，從而得到用戶拖動視頻的總進度；

同時，根據(jù)國際電信聯(lián)盟建議的平均意見分值，將視頻的體驗質(zhì)量分為5個層次，即平均意見分值的取值范圍為整數(shù)值1～5，且每一個整數(shù)值分別代表體驗質(zhì)量的值為：bad、poor、fair、good、excellent；

s4.對步驟s3獲取的評估參數(shù)值指標和用戶對視頻服務質(zhì)量的評分進行數(shù)據(jù)濾波；具體為采用如下步驟進行數(shù)據(jù)濾波：

(1)對某一項評估參數(shù)指標的參數(shù)進行數(shù)據(jù)清洗；

具體包括：缺失參數(shù)的代替和噪聲數(shù)據(jù)的光滑處理。

若某一項評估參數(shù)指標的參數(shù)有缺失，則采用該項參數(shù)種所有非缺失參數(shù)的平均數(shù)或中位數(shù)對該缺失的參數(shù)進行代替；

同時采用分箱方法對某一項評估參數(shù)指標中的噪聲數(shù)據(jù)進行光滑處理：

a.將某一項評估參數(shù)指標中的n個測量值x1,x2,...,xn從小到大排序，則排序后的序列為x1',x'2,...,x'n；

b.使用m個箱子來分裝n個觀測值；

c.采用等頻的方式將排序后的n個觀測值x1',x'2,...,x'n轉(zhuǎn)入m個箱子中，則每個箱子中都有個觀測值；

d.計算中每個箱中所有觀測值的平均數(shù)，然后分別算出該箱中的每個觀測值與平均值的歐幾里得距離，將歐幾里得距離值最大的觀測值(即為噪聲數(shù)據(jù))替換為該箱的平均值。

(2)按照最小-最大規(guī)范化方法將數(shù)據(jù)清洗后的所有的評估參數(shù)指標規(guī)范化到統(tǒng)一的區(qū)間：

若某一項評估參數(shù)指標的n個觀測值為v1,v2,...,vn，且mina和maxa為該項評估參數(shù)指標的最小值和最大值，則采用如下公式計算規(guī)范化后的評估參數(shù)指標值vi'：

式中vi為規(guī)范化前的評估參數(shù)指標值，new_maxa為規(guī)范化后的評估參數(shù)指標值區(qū)間的最大值，new_mina為為規(guī)范化后的評估參數(shù)指標值區(qū)間的最小值；

(3)采用屬性子集選擇的貪心算法對規(guī)范化后的所有的評估參數(shù)指標進行數(shù)據(jù)降維；

s5.利用步驟s4得到的數(shù)據(jù)，采用線性回歸分析法將評估參數(shù)指標與視頻服務質(zhì)量評分進行關聯(lián)，從而得到通過評估參數(shù)指標預測視頻的服務質(zhì)量評分的數(shù)據(jù)模型；在具體實施時，可以采用如下步驟進行計算：

ⅰ.將每一種服務質(zhì)量參數(shù)值分別與服務質(zhì)量評分通過一元最小二乘多項式回歸方法建模，從而得到利用單個服務質(zhì)量參數(shù)值預測服務質(zhì)量評分的數(shù)據(jù)模型；

ⅱ.重復步驟s2～步驟s4，獲取新的評估參數(shù)值指標和視頻服務質(zhì)量評分數(shù)據(jù)，對步驟ⅰ得到的數(shù)據(jù)模型進行修正；

ⅲ.將所有的服務質(zhì)量參數(shù)與服務質(zhì)量評分通過多元線性回歸分析方法建模，從而得到利用所有服務質(zhì)量參數(shù)值預測服務質(zhì)量評分的數(shù)據(jù)模型；

ⅳ.重復步驟s2～步驟s4，獲取新的評估參數(shù)值指標和視頻服務質(zhì)量評分數(shù)據(jù)，對步驟ⅲ得到的數(shù)據(jù)模型進行修正。

步驟ⅰ所述的通過一元最小二乘多項式回歸方法建模，具體為采用如下步驟進行建模：

ⅰ.用x代表確定的某一種評估參數(shù)值指標，用xk代表該種評估參數(shù)值指標的第k次測量值；用y代表對應的視頻服務質(zhì)量評分，用yk代表視頻服務質(zhì)量評分的第k次的測量值；同時獲得了共m個數(shù)據(jù)樣本(xk，yk)；

ⅱ.參數(shù)a0,a1,..,an，其中n<m，使得多項式p(x)＝a0+a1x+...+anxⁿ滿足的值最??；則稱n次一元最小二乘擬合多項式為p(x)＝a0+a1x+...+anxⁿ；其中，n>＝0，n<m，參數(shù)a0,a1,...,an為未知參數(shù)；

ⅲ.得出關于未知參數(shù)a0,a1,...,an的矩陣形式的正規(guī)方程組為y＝xa，其中該矩陣為n+1行，1列；

a＝[a0a1...an]^t，該矩陣為n+1行，1列；

為n+1階矩陣；

ⅳ.求解步驟ⅲ的方程組，得到a0,a1,...,an，即得到預測模型。

步驟ⅲ所述的通過多元線性回歸分析方法建模，具體為采用如下步驟進行建模：

㈠.用x1,x2,...,xm對應于所有種類的評估參數(shù)值指標，用y代表對應的視頻服務質(zhì)量評分，(xi1,xi2,...,xim,yi)^t(i＝1,2,...,n)是(x1,x2,...,xm,y)^t的n個觀測值；

㈡.假設y和x1,x2,...,xm之間有線性關系，則多元線性回歸模型為：y＝β0+β1x1+...+βmxm+ε，其中，β0,β1,...,βm均為未知參數(shù)，m>1，m為自變量的個數(shù)；稱x1,x2,...,xm為回歸變量，β0,β1,...,βm為回歸系數(shù)，ε為殘差，ε～n(0,σ²)且σ²未知；

㈢.由于(xi1,xi2,...,xim,yi)^t(i＝1,2,...,n)是(x1,x2,...,xm,y)^t的n個觀測值，且滿足關系yi＝β0+β1xi1+β2xi2+...+βmxim+εi，(i＝1,...n)

㈣.用微分法求解算式其中xi0＝1，i＝1,2,...,n，從而得到正規(guī)方程組的矩陣形式為：其中，y＝(y1,y2,...,yn)^t，β＝(β0,β1,...,βm)^t，ε＝(ε0,ε1,...,εn)^t，

㈤.求得步驟㈣所述方程得到并將帶入模型即可得到最終的預測模型。

s6.用步驟s5得到的數(shù)據(jù)模型對移動端http視頻流的體驗質(zhì)量進行評分預測。

本發(fā)明專利得到國家自然科學基金(項目編號61672221，61273232)的支持。