CN105264907A - 移动视频业务的体验质量预测方法及基站 - Google Patents

移动视频业务的体验质量预测方法及基站 Download PDF

Info

Publication number
CN105264907A
CN105264907A CN201380003135.7A CN201380003135A CN105264907A CN 105264907 A CN105264907 A CN 105264907A CN 201380003135 A CN201380003135 A CN 201380003135A CN 105264907 A CN105264907 A CN 105264907A
Authority
CN
China
Prior art keywords
epsnr
video user
base station
emos
forecast models
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201380003135.7A
Other languages
English (en)
Other versions
CN105264907B (zh
Inventor
陈亮
韩广林
费泽松
白伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XFusion Digital Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN105264907A publication Critical patent/CN105264907A/zh
Application granted granted Critical
Publication of CN105264907B publication Critical patent/CN105264907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
    • H04N21/2402—Monitoring of the downstream path of the transmission network, e.g. bandwidth available

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供一种移动视频业务的体验质量预测方法及基站，该方法包括：基站获取需要评估的视频用户的无线接入网RAN侧参数，根据RAN侧参数与增强峰值信噪比ePSNR预测模型，确定需要评估的视频用户的增强峰值信噪比ePSNR，根据ePSNR与增强主观测试分数eMOS预测模型，确定需要评估的视频用户的增强主观测试分数eMOS。该方法中，基站对需要评估的视频用户的RAN侧参数仅进行一次映射，即可得到表征视频用户QoE的ePSNR，实现了对视频业务QoE的较为精确的预测。

Description

移动视频业务的体验质量预测方法及基站
技术领域
本发明实施例涉及移动通信领域， 尤其涉及一种移动视频业务的体验质 量预测方法及基站。 背景技术
随着视频业务***式的增长， 人们对视频的清晰度、 播放的连续性、 随 时随地的可接入性等要求越来越高， 为吸引更多的客户， 网络提供商和业务 提供商更加关心用户对移动视频业务的体验质量 （Quality of Experience , QoE) ， 该 QoE由主观测试分数 （Mean Opinion Score, MOS ) 体现， MOS 值越高， 表示 QoE越大， 用户满意度好。 其中， MOS是通过人来对视频进 行打分得到一个视频的平均得分， 这种打分测试需要在严格的测试环境下， 遵循标准规定的特定流程来实现， 对环境要求很高， 流程复杂， 通常不会采 用。
现有技术中， 通过二次映射的方式来预测视频的 QoE。 具体的， 将无线 接入网 （Radio Access Network, RAN) 的一些参数， 如信干噪比 （Single to Interference Plus Noise Ratio, SINR) 、 时延、 用户资源等映射得到丢包率、 带宽等一些离散的、 客观的指标， 然后将该些离散的、 客观的指标映射为视 频的 QoE。
然而， 由于每一次映射都有误差， 上述通过二次映射得到的 QoE误差较 大， 与实际用户感受到的业务质量差距较大。 发明内容
本发明实施例提供一种移动视频业务的体验质量预测方法及基站， 通过 直接根据 RAN侧参数预测出视频业务的 QoE, 实现对视频业务 QoE的精确 预测。
第一个方面，本发明实施例提供一种移动视频业务的体验质量预测方法， 包括： 基站获取需要评估的视频用户的无线接入网 RAN侧参数， 所述 RAN侧 参数包括： 所述需要评估的视频用户的信干噪比 SINR, 为所述需要评估的视 频用户提供服务的小区中的视频用户的个数 NU,所述需要评估的视频用户在 安全网关接口 SGi上的时延 T;
所述基站根据所述 RAN侧参数与增强峰值信噪比 ePSNR预测模型， 确 定所述需要评估的视频用户的增强峰值信噪比 ePSNR;
所述基站根据所述 ePSNR与增强主观测试分数 eMOS预测模型，确定所 述需要评估的视频用户的增强主观测试分数 eMOS。
在第一个方面的第一种可能的实现方式中，所述基站根据所述 RAN侧参 数与增强峰值信噪比 ePSNR预测模型，确定所述需要评估的视频用户的增强 峰值信噪比 ePSNR之前， 还包括：
所述基站根据样本视频用户与***配置确定所述 ePSNR预测模型，所述 ePSNR预测模型为： ePSNR = a\og2 ( 麵 ) + d , 其中， a、 b、 c、 d为使得所
NU(T + b) 述样本视频用户根据所述 ePSNR预测模型得到的 ePSNR与所述样本视频用 户的实际的 ePSNR相关性最大的一组参数。 结合第一个方面或第一个方面的第一种可能的实现方式， 在第一个方面 的第二种可能的实现方式中，所述基站根据所述 ePSNR与增强主观测试分数 eMOS 预测模型， 确定所述需要评估的视频用户的增强主观测试分数 eMOS 之前， 还包括：
所述基站根据样本视频用户， 确定所述 eMOS预测模型， 所述 eMOS预 测模型为： eMOS=eX ePSNR+f， 其中， e、 f为对所述样本视频用户的 ePSNR 与所述样本视频用户的主观测试分数 MOS进行一次线性回归拟合得到的。
结合第一个方面的第二种可能的实现方式， 在第一个方面的第三种可能 的实现方式中， 当***带宽为 10MHZ、 所述基站的各个小区设置一个微微 pico基站时， a=1.4， b=l 12.25 , c=6.71， d=6.70。
结合第一个方面的第二种或第三种可能的实现方式， 在第一个方面的第 四种可能的实现方式中， 所述 e=0.34， 所述 f=4.1。
第二个方面， 本发明实施例提供一种基站， 包括：
获取模块， 用于获取需要评估的视频用户的无线接入网 RAN侧参数， 所述 RAN侧参数包括： 所述需要评估的视频用户的信干噪比 SINR, 为所述 需要评估的视频用户提供服务的小区中的视频用户的个数 NU,所述需要评估 的视频用户在安全网关接口 SGi上的时延 T;
第一确定模块， 用于根据所述获取模块获取到的所述 RAN侧参数与增 强峰值信噪比 ePSNR预测模型，确定所述需要评估的视频用户的增强峰值信 噪比 ePSNR;
第二确定模块，用于根据所述第一确定模块确定出的所述 ePSNR与增强 主观测试分数 eMOS预测模型， 确定所述需要评估的视频用户的增强主观测 试分数 eMOS。
在第二个方面的第一种可能的实现方式中， 所述基站还包括：
第三确定模块， 用于根据样本视频用户与***配置确定所述 ePSNR预 测模型， 所述 ePSNR预测模型为： ePSNR = alog2(^ + + C b)) + d , 其中， a、 b、 c、 d为使得所述样本视频用户根据所述 ePSNR预测模型得到的 ePSNR与所 述样本视频用户实际的 ePSNR相关性最大的一组参数。
结合第二个方面或第二个方面的第一种可能的实现方式， 在第二个方面 的第二种可能的实现方式中， 所述基站还包括：
第四确定模块， 用于根据样本视频用户， 确定所述 eMOS预测模型， 所 述 eMOS预测模型为： eMOS=e X ePSNR+f， 其中， e、 f为对所述样本视频用 户的 ePSNR与所述样本视频用户的主观测试分数 MOS进行一次线性回归拟 合得到的。 结合第二个方面的第二种可能的实现方式， 在第二个方面的第三种可能 的实现方式中， 当***带宽为 10MHZ、 所述基站的各个小区设置一个微微 pico基站时， a=1.4， b=l 12.25 , c=6.71， d=6.70。 结合第二个方面的第二种或第三种可能的实现方式， 在第二个方面的第 四种可能的实现方式中， 所述 e=0.34， 所述 f=4.1。 第三个方面， 本发明实施例提供一种基站， 包括： 处理器和存储器， 所 述存储器存储执行指令， 当所述基站运行时， 所述处理器与所述存储器之间 通信， 所述处理器执行所述执行指令， 获取需要评估的视频用户的无线接入 网 RAN侧参数， 所述 RAN侧参数包括： 所述需要评估的视频用户的信干噪 比 SINR, 为所述需要评估的视频用户提供服务的小区中的视频用户的个数 NU， 所述需要评估的视频用户在安全网关接口 SGi上的时延 T;
根据所述 RAN侧参数与增强峰值信噪比 ePSNR预测模型， 确定所述需 要评估的视频用户的增强峰值信噪比 ePSNR;
根据所述 ePSNR与增强主观测试分数 eMOS预测模型，确定所述需要评 估的视频用户的增强主观测试分数 eMOS。
在第三个方面的第一种可能的实现方式中， 所述处理器， 还用于根据样 本视频用户与***配置确定所述 ePSNR预测模型， 所述 ePSNR预测模型为： ePSNR = a\og2(隠 + C d , 其中， a、 b、 C、 d为使得所述样本视频用户根据
NU(T + b) 所述 ePSNR预测模型得到的 ePSNR与所述样本视频用户实际的 ePSNR相关 性最大的一组参数。
结合第三个方面或第三个方面的第一种可能的实现方式， 在第三个方面 的第二种可能的实现方式中， 所述处理器， 还用于根据样本视频用户， 确定 所述 eMOS预测模型， 所述 eMOS预测模型为： eMOS=e X ePSNR+f， 其中， e、 f 为对所述样本视频用户的 ePSNR与所述样本视频用户的主观测试分数
MOS进行一次线性回归拟合得到的。
结合第三个方面的第二种可能的实现方式， 在第三个方面的第三种可能 的实现方式中， 当***带宽为 10MHZ、 所述基站的各个小区设置一个微微 pico基站时， a=1.4， b=l 12.25 , c=6.71， d=6.70。 结合第三个方面的第二种或第三种可能的实现方式， 在第三个方面的第 四种可能的实现方式中， 所述 e=0.34， 所述 f=4.1。
本发明实施例提供的移动视频业务的体验质量预测方法及基站， 基站获 取到需要评估的视频用户的 RAN侧参数后， 直接将 RAN侧参数映射为视频 用户的 ePSNR, 然后根据 eMOS预测模型， 确定出 eMOS, 从而确定出该需 要评估的视频用户的 QoE。 该移动视频业务的体验质量预测过程中， 基站对 需要评估的视频用户的 RAN侧参数仅进行一次映射，即可得到表征视频用户 QoE的 ePSNR, 实现了对视频业务 QoE的较为精确的预测。 附图说明 图 1为本发明移动视频业务的体验质量预测方法实施例一的流程图； 图 2为本发明 HAS视频的结构示意图；
图 3为本发明 HAS视频的传输流程示意图；
图 4 为本发明移动视频业务的体验质量预测方法实施例二中主观测试 MOS分与 SINR的拟合曲线图；
图 5 为本发明移动视频业务的体验质量预测方法实施例二中主观测试 MOS分与小区用户数的拟合曲线图；
图 6 为本发明移动视频业务的体验质量预测方法实施例二中主观测试 MOS分与时延 T的拟合曲线图；
图 7为本发明基站实施例一的结构示意图；
图 8为本发明基站实施例二的结构示意图；
图 9为本发明基站实施例三的结构示意图。 具体实施方式
为使本发明实施例的目的、 技术方案和优点更加清楚， 下面将结合本 发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完整地描 述， 显然，所描述的实施例是本发明一部分实施例， 而不是全部的实施例。 基于本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动前提 下所获得的所有其他实施例， 都属于本发明保护的范围。
图 1 为本发明移动视频业务的体验质量预测方法实施例一的流程图。 本实施例的执行主体为基站， 适用于需要对视频业务 QoE进行精确预测的 场景。 具体的， 本实施例包括如下歩骤：
101、 基站获取需要评估的视频用户的无线接入网 RAN侧参数， RAN侧 参数包括： 需要评估的视频用户的信干噪比 SINR, 为需要评估的视频用户提 供服务的小区中的视频用户的个数 NU，需要评估的视频用户在安全网关接口 SGi上的时延丁。
基站需要考虑的 RAN侧因素主要有： 需要评估的视频用户的 SINR, 小 区用户数，即为需要评估的视频用户提供服务的小区中的视频用户的个数 NU 以及该需要评估的视频用户在安全网关接口 SGi上的时延丁。 本歩骤中， 基 站可通过用户设备 （User Equipment, UE) 的上报机制等方式， 获取需要评 估的视频用户 SINR, 同时， 由于基站掌握着下属所有小区的信息， 因此， 基 站可以获得为需要评估的视频用户提供服务的小区中的视频用户的个数 NU 以及该需要评估的视频用户在安全网关接口 SGi上的时延丁。
102、基站根据 RAN侧参数与增强峰值信噪比 ePSNR预测模型， 确定需 要评估的视频用户的增强峰值信噪比 ePSNR。
一般来说， 视频是由很多帧图像组成的， PSNR是图像质量评价的客观 标准。 因此， 可以把该图像客观评价的方法应用到是视频业务中， 例如， 现 有技术中通过二次映射可以视频用户的 PSNR。 为描述清楚起见， 相较于现 有技术中通过二次映射得到的 PSNR, 进而得到的主观测试分数， 以下将本 发明实施例中直接通过 RAN侧参数映射得到的 PSNR称之为增强峰值信噪比 ePSNR, 进而根据该 ePSNR得到的主观测试分数称之为增强主观测试分数 eMOS o
本歩骤中， 基站根据获取到的 RAN侧参数， 以及 ePSNR预测模型， 确 定需要评估的视频用户的 ePSNR。 其中， ePSNR预测模型可是事先根据样本 视频用户的主观测试分数与样本视频的 RAN参数拟合得到的，该样本视频用 户例如是与需要评估的视频用户处于相同或相似的网络环境的视频用户， 即 样本视频用户例如是与需要评估的视频用户所处的网络的***配置相同。 每 一样本视频用户的主观测试分数为通过人对该样本视频进行打分得到的精确 值。
103、 基站根据 ePSNR与增强主观测试分数 eMOS预测模型， 确定需要 评估的视频用户的增强主观测试分数 eMOS。
在确定出需要评估的视频用户的 ePSNR后， 基站可根据该 ePSNR以及 增强主观测试分数 eMOS预测模型， 确定需要评估的视频用户的增强主观测 试分数 eMOS。 其中， eMOS预测模型可事先通过对样本视频用户的 ePSNR 与样本视频用户的主观测试分数 MOS进行一次线性回归拟合得到。例如，可 由下一代移动通信网络（Next Generation Mobile Netwoks, NGMN)提供一定 数量的视频用户作为样本视频用户， 根据歩骤 102确定该些样本视频用户的 ePSNR, 再对该些样本视频用户已知的主观测试分数与确定出的 ePSNR进行 线下拟合， 从而确定出 eMOS预测模型。
本发明实施例提供的移动视频业务的体验质量预测方法， 获取到需要评 估的视频用户的 RAN 侧参数后， 直接将 RAN 侧参数映射为视频用户的 ePSNR, 然后根据 eMOS预测模型， 确定出 eMOS, 从而确定出该需要评估 的视频用户的 QoE。 该移动视频业务的体验质量预测过程中， 基站对需要评 估的视频用户的 RAN侧参数仅进行一次映射， 即可得到表征视频用户 QoE 的 ePSNR, 实现了对视频业务 QoE的较为精确的预测。
下面，以样本视频用户为 HTTP自适应流媒体（HTTP Adaptive Streaming, HAS ) 视频用好为例， 对本发明实施例一中如何根据样本视频用户与***配 置等， 确定出 ePSNR预测模型与 eMOS预测模型进行详细说明。
图 2为本发明 HAS视频的结构示意图。 HAS视频业务会将一个完整的 信源视频编码成几个不同码率的视频， 并将每个码率的视频进行分段， 例如， 根据当前的信道条件请求相应码率的视频分段。
请参照图 2， HAS视频可以是一个具有 M种码率、 每一个码率都被分为 N个分段的 M3U8格式的信源视频， 其中， M为最大码率。 发送端对于每个 码率的视频， 生成一个对应的 M3U8文件， 该文件中包含了相应码率每个分 段的统一资源定位符 （Uniform Resource Locator, URL地址） 。 不仅如此， 发送方生成一个总的 M3U8文件， 该总的 M3U8文件保存了各个码率对应的 M3U8文件的地址。 接收端在播放视频之前， 首先下载主 M3U8文件和每个 码率对应的 M3U8文件， 然后下载第一个视频分段进行播放，在播放过程中， 接收端会根据当前的下载情况决定下一个分段应该请求什么码率的分段， 并 根据要请求码率的 M3U8文件， 向发送端请求相应的分段。 例如当前下载一 个分段所用时间很短， 证明当前的信道条件好， 则在下载下一个分段的时候 应该请求一个比当前码率更高的分段。 由于接收方最终接收到的视频是不同 码率分段的组合， 相较于原始视频有偏差， 即发生视频损伤。 具体如图 3所 图 3为本发明 HAS视频的传输流程示意图。 以最大码率为 3、 每个码率 的视频被分为 4个分段为例， 请参照图 3 : 第 1码率， 如图中斜线填充所示； 第 2码率， 如图中方格填充所示； 第 3码率， 如图中竖线填充所示。
请参照图 3， 接收方向发送方发送 HTTP获取请求（HTTP GET) ， 发送 方通过网络向接收方发送数据， S卩 HAS视频。 由于受到吞吐量（Throughput) 等的限制， 发送方并不能将整个源 HAS视频发送给接收方， 而是仅将请求的 分段（Request Segments) ， 即如图中所示的第 1码率的第 1分段、 第 2码率 的第 2、 4、 5分段以及第 3码率的第 3分段发送给接收方。 如此一来， 接收 方接收到的 HAS视频就发生了损伤。
本发明实施例中，基站事先根据样本视频用户与***配置确定 ePSNR预 测模型， ePSNR预测模型为： ePSNR = a\og2 ( 麵 ) + d ( 1 ) ；
&2 NU(T + b) 其中， a、 b、 c、 d为使得样本视频用户根据 ePSNR预测模型得到的 ePSNR 与样本视频用户实际的 ePSNR相关性最大的一组参数。例如， 事先由下一代 移动通信网络（Next Generation Mobile Netwoks, NGMN)提供一定数量的视 频用户作为样本视频用户， 按照传统方法确定出实际的 ePSNR, 并对该些样 本视频用户的主观测试分数与样本视频的 RAN参数拟合得到的 ePSNR预测 确定出 ePSNR的预测模型后， 对样本视频用户的 ePSNR与样本视频用 户的主观测试分数 MOS进行一次线性回归拟合， 得到 eMOS预测模型： eMOS=e X ePSNR+f (2) 。
其中， e=0.34， f=4.1， 将该些系数带入公式 （2) 可得：
eMOS=0.34 X ePSNR+4.1 (3 ) 。
在得出上述 ePSNR预测模型与 eMOS预测模型后， 针对不同的 LTE 统配置， 确定出待定系数&、 b、 c、 do 以***带宽为 10MHZ、 基站的各个/ J 区设置一个微微 pico基站为例， 经过仿真可得到 a=1.4， b=112.25， c=6.71， d=6.70。 将该些系数带入公式 （1 ) 可得：
e應 = 1.41og2 ( 麵 + 6·71 ) + 6.70 ( 5 ) ；
NU(T + \ \2.25) 将公式 （5 ) 带入公式 （3 ) 可得： e >^ = 0.4794 log2( ) + 6.378 ( 6) 。
2 M7(r + 112.25) 对于***带宽为 10MHZ、基站的各个小区设置一个微微 pico基站的*** 配置， 在确定出预测模型， 即上述公式（6)后， 对于该***配置场景下的任 一需要评估的视频用户，基站获取该需要评估的视频用户的 RAN侧参数， 即 SINR、 为需要评估的视频用户提供服务的小区中的视频用户的个数 NU以及 该需要评估的视频用户在安全网关接口 SGi上的时延 T, 根据该三个参数与 公式 （6) 即可准确的评估出 QoE。
需要说明的是， 上述公式（1 ) 中的待定系数， 即&、 b、 c、 d， 针对不同 的***配置有不同的值， 而上述公式（2) 中的待定系数， 即^ f， 一般来说 是不会随着***配置的不同而发生变化。
下面，在仿真环境下，通过对各个 RAN侧参数与主观测试分进行拟合得 出的相关系数， 确定本发明实施例提供的移动视频业务的体验质量预测方法 的正确性。
图 4 为本发明移动视频业务的体验质量预测方法实施例二中主观测试 MOS分与 SINR的拟合曲线图。
请参照图 4， 本实施例中， 为需要评估的视频用户提供服务的小区中的 视频用户的个数 NU具体为 5， 需要评估的视频用户在安全网关接口 SGi上 的时延 T具体为 20ms， 横坐标为 SINR, 纵坐标为主观测试 MOS分， 散点 的实验数据为根据现有技术中， 当 NU=5、 T=20ms时， 通过二次映射方式 确定出的不同 SINR下的主观测试 MOS分； 实线为本发明中， 当 NU=5、 T=20ms时， 通过本根据公式（6)确定出的不同 SINR下的主观测试 MOS 分。 经仿真可知， 实验数据和实线的线性相关系数， 即皮尔森相关系数 (Pearson correlation coefficient, PCC)为 0.9571。 由此可知， 根据公式 ( 6) 可准确的评估出 QoE。
图 5 为本发明移动视频业务的体验质量预测方法实施例二中主观测试
MOS分与小区用户数的拟合曲线图。
请参照图 5， 本实施例中， 需要评估的视频用户的 SINR具体为 7dB， 需要评估的视频用户在安全网关接口 SGi上的时延 T具体为 20ms，横坐标为 小区用户数， 即为需要评估的视频用户提供服务的小区中的视频用户的个数 NU， 纵坐标为主观测试 MOS分， 散点的实验数据为根据现有技术中， 当 SINR=5、 T=20ms时， 通过二次映射方式确定出的不同小区用户数 NU下 的主观测试 MOS分； 实线为本发明中， 当 SINR=5、 T=20ms时， 通过本 根据公式 （6 )确定出的不同小区用户数 NU下的主观测试 MOS分。 经仿 真可知， 实验数据和实线的线性相关系数， 即皮尔森相关系数 (Pearson correlation coefficient, PCC)为 0.9535。 由此可知， 根据公式 ( 6) 可准确 的评估出 QoE。
图 6 为本发明移动视频业务的体验质量预测方法实施例二中主观测试 MOS分与时延 T的拟合曲线图。
请参照图 6， 本实施例中， 为需要评估的视频用户提供服务的小区中的 视频用户的个数 NU具体为 5， 需要评估的视频用户的 SINR具体为 7dB， 横 坐标为时延 T, 纵坐标为主观测试 MOS分， 散点的实验数据为根据现有技 术中， 当 NU=5、 SINR=7dB 时， 通过二次映射方式确定出的不同时延 T 下的主观测试 MOS分； 实线为本发明中， 当 NU=5、 SINR=7dB时， 通过 本根据公式（6 )确定出的不同时延 T下的主观测试 MOS分。经仿真可知， 实验数据和实线的线性相关系数， 即皮尔森相关系数 (Pearson correlation coefficient, PCC)为 0.9504。由此可知，根据公式（6)可准确的评估出 QoE。
图 7为本发明基站实施例一的结构示意图， 本实施例提供的基站是与本 发明图 1实施例对应的装置实施例， 具体实现过程在此不再赘述。 具体的， 本实施例提供的基站 100具体包括：
获取模块 11，用于获取需要评估的视频用户的无线接入网 RAN侧参数，
RAN侧参数包括： 需要评估的视频用户的信干噪比 SINR, 为需要评估的视 频用户提供服务的小区中的视频用户的个数 NU,需要评估的视频用户在安全 网关接口 SGi上的时延 T;
第一确定模块 12， 用于根据获取模块 11获取到的 RAN侧参数与增强 峰值信噪比 ePSNR预测模型， 确定需要评估的视频用户的增强峰值信噪比 ePSNR;
第二确定模块 13， 用于根据第一确定模块 12确定出的 ePSNR与增强主 观测试分数 eMOS预测模型， 确定需要评估的视频用户的增强主观测试分数 eMOS o
本发明实施例提供的基站， 获取到需要评估的视频用户的 RAN侧参数 后， 直接将 RAN侧参数映射为视频用户的 ePSNR, 然后根据 eMOS预测模 型， 确定出 eMOS, 从而确定出该需要评估的视频用户的 QoE。 该移动视频 业务的体验质量预测过程中，基站对需要评估的视频用户的 RAN侧参数仅进 行一次映射， 即可得到表征视频用户 QoE的 ePSNR, 实现了对视频业务 QoE 的较为精确的预测。
图 8为本发明基站实施例二的结构示意图。 如图 8所示， 本实施例的基 站 200在图 9装置结构的基础上， 进一歩的， 还包括：
第三确定模块 14， 用于根据样本视频用户与***配置确定 ePSNR预测 模型， ePSNR预测模型为： ePSNR = a\og2( 麵 ) + d , 其中， a、 b、 c、 d
NU(T + b) 为使得样本视频用户根据 ePSNR预测模型得到的 ePSNR与样本视频用户实 际的 ePSNR相关性最大的一组参数。
再请参照图 8， 基站 200还包括： 第四确定模块 15，用于根据样本视频用户，确定 eMOS预测模型， eMOS 预测模型为： eMOS=e X ePSNR+f， 其中， e、 f 为对样本视频用户的 ePSNR 与样本视频用户的主观测试分数 MOS进行一次线性回归拟合得到的。 进一歩的， 当***带宽为 10MHZ、 基站的各个小区设置一个微微 pico 基站时， a=1.4， b=l 12.25 , c=6.71， d=6.70。 进一歩的， e=0.34， f=4.1。
图 9为本发明基站实施例三的结构示意图。 如图 9所示， 本实施例提供 的基站 300包括： 至少一个总线 31、 与总线 31相连的至少一个处理器 32以 及与总线 31相连的至少一个存储器 33， 其中， 处理器 32通过总线 31， 调用 存储器 33 中存储的代码， 以用于： 获取需要评估的视频用户的无线接入网 RAN侧参数， RAN侧参数包括： 需要评估的视频用户的信干噪比 SINR, 为 需要评估的视频用户提供服务的小区中的视频用户的个数 NU，需要评估的视 频用户在安全网关接口 SGi上的时延 T;根据 RAN侧参数与增强峰值信噪比 ePSNR预测模型， 确定需要评估的视频用户的增强峰值信噪比 ePSNR; 根据 ePSNR与增强主观测试分数 eMOS预测模型， 确定需要评估的视频用户的增 强主观测试分数 eMOS。
在一个实施例中， 处理器 32， 还用于根据样本视频用户与***配置确定 ePSNR预测模型， ePSNR预测模型为： ePSNR = a\og2( 隠 + c ) + d , 其中， a、
NU(T + b) b、 c、 d为使得样本视频用户根据 ePSNR预测模型得到的 ePSNR与样本视频 用户实际的 ePSNR相关性最大的一组参数。
在一个实施例中， 处理器 32， 还用于根据样本视频用户， 确定 eMOS预 测模型， eMOS预测模型为： eMOS=eX ePSNR+f， 其中， e、 f为对样本视频 用户的 ePSNR与样本视频用户的主观测试分数 MOS进行一次线性回归拟合 得到的。
在一个实施例中， 当***带宽为 10MHZ、 基站的各个小区设置一个微微 pico基站时， a=1.4， b=l 12.25 , c=6.71， d=6.70。 在一个实施例中， e=0.34， f=4.1。
本领域普通技术人员可以理解： 实现上述方法实施例的全部或部分歩骤 可以通过程序指令相关的硬件来完成， 前述的程序可以存储于一计算机可读 取存储介质中， 该程序在执行时， 执行包括上述方法实施例的歩骤； 而前述 的存储介质包括： ROM、 RAM,磁碟或者光盘等各种可以存储程序代码的介 质。
最后应说明的是： 以上各实施例仅用以说明本发明的技术方案， 而非对 其限制； 尽管参照前述各实施例对本发明进行了详细的说明， 本领域的普通 技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改， 或者对其中部分或者全部技术特征进行等同替换； 而这些修改或者替换， 并 不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (1)

  1. 权 利 要 求 书
    1、 一种移动视频业务的体验质量预测方法， 其特征在于， 包括： 基站获取需要评估的视频用户的无线接入网 RAN侧参数， 所述 RAN侧 参数包括： 所述需要评估的视频用户的信干噪比 SINR, 为所述需要评估的视 频用户提供服务的小区中的视频用户的个数 NU,所述需要评估的视频用户在 安全网关接口 SGi上的时延 T;
    所述基站根据所述 RAN侧参数与增强峰值信噪比 ePSNR预测模型， 确 定所述需要评估的视频用户的增强峰值信噪比 ePSNR;
    所述基站根据所述 ePSNR与增强主观测试分数 eMOS预测模型，确定所 述需要评估的视频用户的增强主观测试分数 eMOS。
    2、 根据权利要求 1所述的方法， 其特征在于， 所述基站根据所述 RAN 侧参数与增强峰值信噪比 ePSNR预测模型，确定所述需要评估的视频用户的 增强峰值信噪比 ePSNR之前， 还包括：
    所述基站根据样本视频用户与***配置确定所述 ePSNR预测模型，所述 ePSNR预测模型为： ePSNR = a\og2 ( 麵 ) + d , 其中， a、 b、 c、 d为使得所
    NU(T + b) 述样本视频用户根据所述 ePSNR预测模型得到的 ePSNR与所述样本视频用 户实际的 ePSNR相关性最大的一组参数。
    3、 根据权利要求 1 或 2所述的方法， 其特征在于， 所述基站根据所述 ePSNR与增强主观测试分数 eMOS预测模型， 确定所述需要评估的视频用户 的增强主观测试分数 eMOS之前， 还包括：
    所述基站根据样本视频用户， 确定所述 eMOS预测模型， 所述 eMOS预 测模型为： eMOS=eX ePSNR+f， 其中， e、 f为对所述样本视频用户的 ePSNR 与所述样本视频用户的主观测试分数 MOS进行一次线性回归拟合得到的。
    4、 根据权利要求 3所述的方法， 其特征在于，
    当***带宽为 10MHZ、 所述基站的各个小区设置一个微微 pico基站时， a=1.4， b=l 12.25, c=6.71， d=6.70。
    5、根据权利要求 3或 4所述的方法，其特征在于，所述 e=0.34，所述 f=4.1。
    6、 一种基站， 其特征在于， 包括：
    获取模块， 用于获取需要评估的视频用户的无线接入网 RAN侧参数， 所述 RAN侧参数包括： 所述需要评估的视频用户的信干噪比 SINR, 为所述 需要评估的视频用户提供服务的小区中的视频用户的个数 NU,所述需要评估 的视频用户在安全网关接口 SGi上的时延 T;
    第一确定模块， 用于根据所述获取模块获取到的所述 RAN侧参数与增 强峰值信噪比 ePSNR预测模型，确定所述需要评估的视频用户的增强峰值信 噪比 ePSNR;
    第二确定模块，用于根据所述第一确定模块确定出的所述 ePSNR与增强 主观测试分数 eMOS预测模型， 确定所述需要评估的视频用户的增强主观测 试分数 eMOS。
    7、 根据权利要求 6所述的基站， 其特征在于， 所述基站还包括： 第三确定模块， 用于根据样本视频用户与***配置确定所述 ePSNR预 测模型， 所述 ePSNR预测模型为： ePSNR = alog2(^ + + C b)) + d , 其中， a、 b、 c、 d为使得所述样本视频用户根据所述 ePSNR预测模型得到的 ePSNR与所 述样本视频用户实际的 ePSNR相关性最大的一组参数。
    8、 根据权利要求 6或 7所述的基站， 其特征在于， 所述基站还包括： 第四确定模块， 用于根据样本视频用户， 确定所述 eMOS预测模型， 所 述 eMOS预测模型为： eMOS=e X ePSNR+f， 其中， e、 f为对所述样本视频用 户的 ePSNR与所述样本视频用户的主观测试分数 MOS进行一次线性回归拟 合得到的。
    9、 根据权利要求 8所述的基站， 其特征在于，
    当***带宽为 10MHZ、 所述基站的各个小区设置一个微微 pico基站时， a=1.4， b=l 12.25, c=6.71， d=6.70。
    10、 根据权利要求 8或 9所述的基站， 其特征在于， 所述 e=0.34， 所述 f=4.1 o 11、 一种基站， 其特征在于， 包括： 处理器和存储器， 所述存储器存储 执行指令， 当所述基站运行时， 所述处理器与所述存储器之间通信， 所述处 理器执行所述执行指令， 获取需要评估的视频用户的无线接入网 RAN侧参 数， 所述 RAN侧参数包括： 所述需要评估的视频用户的信干噪比 SINR, 为 所述需要评估的视频用户提供服务的小区中的视频用户的个数 NU，所述需要 评估的视频用户在安全网关接口 SGi上的时延 T;
    根据所述 RAN侧参数与增强峰值信噪比 ePSNR预测模型， 确定所述需 要评估的视频用户的增强峰值信噪比 ePSNR;
    根据所述 ePSNR与增强主观测试分数 eMOS预测模型，确定所述需要评 估的视频用户的增强主观测试分数 eMOS。
    12、 根据权利要求 11所述的基站， 其特征在于，
    所述处理器，还用于根据样本视频用户与***配置确定所述 ePSNR预测 模型， 所述 ePSNR预测模型为： ePSNR = a\og2( 麵 ) + d , 其中， a、 b、 c、
    NU(T + b) d为使得所述样本视频用户根据所述 ePSNR预测模型得到的 ePSNR与所述样 本视频用户实际的 ePSNR相关性最大的一组参数。
    13、 根据权利要求 11或 12所述的基站， 其特征在于，
    所述处理器， 还用于根据样本视频用户， 确定所述 eMOS预测模型， 所 述 eMOS预测模型为： eMOS=e X ePSNR+f， 其中， e、 f为对所述样本视频用 户的 ePSNR与所述样本视频用户的主观测试分数 MOS进行一次线性回归拟 合得到的。
    14、 根据权利要求 13所述的基站， 其特征在于，
    当***带宽为 10MHZ、 所述基站的各个小区设置一个微微 pico基站时， a=1.4， b=l 12.25, c=6.71， d=6.70。
    15、 根据权利要求 14所述的基站， 其特征在于，
    所述 e=0.34， 所述 f=4.1。
CN201380003135.7A 2013-12-30 2013-12-30 移动视频业务的体验质量预测方法及基站 Active CN105264907B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2013/090962 WO2015100560A1 (zh) 2013-12-30 2013-12-30 移动视频业务的体验质量预测方法及基站

Publications (2)

Publication Number Publication Date
CN105264907A true CN105264907A (zh) 2016-01-20
CN105264907B CN105264907B (zh) 2018-08-21

Family

ID=53492919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380003135.7A Active CN105264907B (zh) 2013-12-30 2013-12-30 移动视频业务的体验质量预测方法及基站

Country Status (2)

Country Link
CN (1) CN105264907B (zh)
WO (1) WO2015100560A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107509121A (zh) * 2016-06-14 2017-12-22 华为技术有限公司 确定视频质量的方法和装置、定位网络故障的方法和装置
CN107733705A (zh) * 2017-10-10 2018-02-23 锐捷网络股份有限公司 一种用户体验质量评估模型建立方法及设备
CN112383828A (zh) * 2019-12-12 2021-02-19 致讯科技(天津)有限公司 一种具有类脑特性的体验质量预测方法、设备及***
CN112636976A (zh) * 2020-12-23 2021-04-09 武汉船舶通信研究所（中国船舶重工集团公司第七二二研究所） 业务质量确定方法、装置、电子设备和存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106998322B (zh) * 2017-02-20 2020-04-14 南京邮电大学 一种使用视频业务的平均意见分均值特征的流分类方法
CN109921941B (zh) * 2019-03-18 2021-09-17 腾讯科技（深圳）有限公司 网络业务质量评估和优化方法、装置、介质及电子设备
CN115884195A (zh) * 2021-09-28 2023-03-31 中兴通讯股份有限公司 模型训练方法、无线资源调度方法及其装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011104225A1 (en) * 2010-02-28 2011-09-01 International Business Machines Corporation Monitoring mobile user quality-of-experience on a wireless network
CN102638730A (zh) * 2012-04-13 2012-08-15 北京邮电大学 一种基于用户感知的无线视频业务的跨层优化方法
CN103152599A (zh) * 2013-02-01 2013-06-12 浙江大学 基于有序回归的移动视频业务用户体验质量评估方法
CN103733595A (zh) * 2011-04-07 2014-04-16 交互数字专利控股公司 用于本地数据缓冲的方法和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011104225A1 (en) * 2010-02-28 2011-09-01 International Business Machines Corporation Monitoring mobile user quality-of-experience on a wireless network
CN103733595A (zh) * 2011-04-07 2014-04-16 交互数字专利控股公司 用于本地数据缓冲的方法和设备
CN102638730A (zh) * 2012-04-13 2012-08-15 北京邮电大学 一种基于用户感知的无线视频业务的跨层优化方法
CN103152599A (zh) * 2013-02-01 2013-06-12 浙江大学 基于有序回归的移动视频业务用户体验质量评估方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107509121A (zh) * 2016-06-14 2017-12-22 华为技术有限公司 确定视频质量的方法和装置、定位网络故障的方法和装置
CN107733705A (zh) * 2017-10-10 2018-02-23 锐捷网络股份有限公司 一种用户体验质量评估模型建立方法及设备
CN112383828A (zh) * 2019-12-12 2021-02-19 致讯科技(天津)有限公司 一种具有类脑特性的体验质量预测方法、设备及***
CN112636976A (zh) * 2020-12-23 2021-04-09 武汉船舶通信研究所（中国船舶重工集团公司第七二二研究所） 业务质量确定方法、装置、电子设备和存储介质
CN112636976B (zh) * 2020-12-23 2022-11-22 武汉船舶通信研究所（中国船舶重工集团公司第七二二研究所） 业务质量确定方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN105264907B (zh) 2018-08-21
WO2015100560A1 (zh) 2015-07-09

Similar Documents

Publication Publication Date Title
CN105264907A (zh) 移动视频业务的体验质量预测方法及基站
Raca et al. Beyond throughput, the next generation: A 5G dataset with channel and context metrics
Wamser et al. Modeling the YouTube stack: From packets to quality of experience
CN105264859B (zh) 用于生成对基于web的应用的客户体验的洞悉的方法和装置
US9274912B2 (en) Simulating burst errors in mobile data communication network system level simulations
CN102104901B (zh) 一种获取关键性能指标的方法和装置
Begluk et al. Machine learning-based QoE prediction for video streaming over LTE network
Gómez et al. YouTube QoE evaluation tool for Android wireless terminals
US10230590B2 (en) Performance metric of a system conveying web content
Zhang et al. A QoE test system for vehicular voice cloud services
US20180376176A1 (en) Quality-of-experience optimization apparatus, network quality estimation apparatus, mobile terminal, quality-of-experience optimization method, network quality estimation method, and program
US11665531B2 (en) End to end troubleshooting of mobility services
Taha et al. An automated model for the assessment of QoE of adaptive video streaming over wireless networks
Perez et al. A parametric quality model to evaluate the performance of tele-operated driving services over 5G networks
CN110169134A (zh) 无线质量支持视频体验的检测方法及装置
Díaz Zayas et al. QoE evaluation: the TRIANGLE testbed approach
CN104956673A (zh) 移动视频业务的体验质量测量方法及装置
CN113676926B (zh) 用户网络感知画像方法及装置
EP3593493B1 (en) Prediction of a performance indicator
Bermudez et al. Statistical validation of an LTE emulation tool using live video streaming over reliable transport protocols
CN104244334B (zh) 一种确定网络服务质量的方法和装置
CN102904916B (zh) 建立点对点通信的方法、索引服务器及***
Du et al. Lte-emu: A high fidelity lte cellar network testbed for mobile video streaming
Nakazato et al. Webrtc over 5 g: A study of remote collaboration qos in mobile environment
Gokcesu et al. Qoe evaluation in adaptive streaming: Enhanced mdt with deep learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20211224

Address after: 450046 Floor 9, building 1, Zhengshang Boya Plaza, Longzihu wisdom Island, Zhengdong New Area, Zhengzhou City, Henan Province

Patentee after: xFusion Digital Technologies Co., Ltd.

Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen

Patentee before: HUAWEI TECHNOLOGIES Co.,Ltd.

TR01 Transfer of patent right