CN105264907B - 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 PDFInfo
- Publication number
- CN105264907B CN105264907B CN201380003135.7A CN201380003135A CN105264907B CN 105264907 B CN105264907 B CN 105264907B CN 201380003135 A CN201380003135 A CN 201380003135A CN 105264907 B CN105264907 B CN 105264907B
- Authority
- CN
- China
- Prior art keywords
- epsnr
- video user
- base station
- prediction models
- emos
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 61
- 230000002708 enhancing effect Effects 0.000 claims abstract description 48
- 238000012417 linear regression Methods 0.000 claims description 9
- 230000005055 memory storage Effects 0.000 claims 1
- 238000012512 characterization method Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000010295 mobile communication Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
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)
- Mobile Radio Communication Systems (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (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
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（MeanOpinion 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 PlusNoise 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：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=e×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=112.25，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：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×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=112.25，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：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×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=112.25，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，本实施例包括如下步骤：
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T。
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T。本步骤中，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T。
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。
本步骤中，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，根据步骤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 ResourceLocator，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所示。
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，即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：
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（NextGeneration 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预测模型。
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×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×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***配置，确定出待定系数a、b、c、d。以***带宽为10MHZ、基站的各个小区设置一个微微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：
将公式（5）带入公式（3）可得：
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a、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e、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。
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，进一步的，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：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。
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×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。
进一步的，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=112.25，c=6.71，d=6.70。
进一步的，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：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。
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=e×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=112.25，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步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步骤；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 (15)
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：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。
3.根据权利要求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＝e×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＝112.25，c＝6.71，d＝6.70。
5.根据权利要求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：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×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＝112.25，c＝6.71，d＝6.70。
10.根据权利要求9所述的基站，其特征在于，所述e＝0.34，所述f＝4.1。
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：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。
13.根据权利要求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×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＝112.25，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。
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 CN105264907A (zh) | 2016-01-20 |
| CN105264907B true 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 (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109921941A (zh) * | 2019-03-18 | 2019-06-21 | 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 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107509121B (zh) * | 2016-06-14 | 2020-06-02 | 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 |
| 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 |
| CN107733705B (zh) * | 2017-10-10 | 2021-01-15 | 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 |
| CN112383828B (zh) * | 2019-12-12 | 2023-04-25 | 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*** |
| 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 |
| 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 (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8385221B2 (en) * | 2010-02-28 | 2013-02-26 | International Business Machines Corporation | System and method for monitoring of user quality-of-experience on a wireless network |
-
2013
- 2013-12-30 WO PCT/CN2013/090962 patent/WO2015100560A1/zh active Application Filing
- 2013-12-30 CN CN201380003135.7A patent/CN105264907B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109921941A (zh) * | 2019-03-18 | 2019-06-21 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2015100560A1 (zh) | 2015-07-09 |
| CN105264907A (zh) | 2016-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105264907B (zh) | 移动视频业务的体验质量预测方法及基站 | |
| Wamser et al. | Modeling the YouTube stack: From packets to quality of experience | |
| CA2878327C (en) | Methods for quality-aware adaptive streaming over hypertext transfer protocol | |
| EP2700267B1 (en) | Full-reference computation of mobile content quality of experience in real-time | |
| US8737243B2 (en) | Methods and apparatus for monitoring network link quality | |
| CN105897769A (zh) | 用于流送内容的方法和服务器 | |
| CN102801690A (zh) | 流媒体的处理方法、分发服务器、客户端及*** | |
| CN105830415B (zh) | 用于管理媒体流的方法、无线通信设备和基站设备 | |
| CN101237687B (zh) | 自动生成网元部署参数的方法 | |
| CN103973662B (zh) | 流媒体请求方法及控制器 | |
| US10230590B2 (en) | Performance metric of a system conveying web content | |
| Schwind et al. | Dissecting the performance of YouTube video streaming in mobile networks | |
| Giannone et al. | Orchestrating heterogeneous MEC-based applications for connected vehicles | |
| KR101718127B1 (ko) | 상황 인지 스트리밍 서비스를 위한 콘텐츠 패키징 시스템 및 스트리밍 방법 | |
| Taha et al. | An automated model for the assessment of QoE of adaptive video streaming over wireless networks | |
| CN102136948B (zh) | 用于统计用户体验的方法、终端设备和*** | |
| CN104471904A (zh) | 基于实时网络动态的内容优化 | |
| CN103402122A (zh) | 移动流媒体服务控制方法及其装置 | |
| CN104244334B (zh) | 一种确定网络服务质量的方法和装置 | |
| Du et al. | Lte-emu: A high fidelity lte cellar network testbed for mobile video streaming | |
| Yetgin et al. | Quality of experience prediction model for progressive downloading over mobile broadcast networks | |
| Lopes et al. | A multi-layer probing approach for video over 5G in vehicular scenarios | |
| KR101937449B1 (ko) | 동영상 서비스 장치 및 동영상 서비스 방법 | |
| CN109121073B (zh) | 移动通信业务质量监控方法、装置和设备 | |
| Baraković Husić et al. | Subjective and objective QoE measurement for H. 265/HEVC video streaming over LTE |
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 |