CN105897736A - 一种tcp视频流业务用户体验质量评估方法及装置 - Google Patents

Abstract

本发明公开了一种TCP视频流业务用户体验质量评估方法及装置，可以监测并记录客户端观看待评估视频时的用户交互行为，包括暂停、快进、后退和所选择的分辨率；根据客户端观看待评估视频时的网络层性能、应用层性能和用户交互行为，获取表征待评估视频的播放流畅度、内容吸引度和画面清晰度的多个性能量化指标；将每一性能量化指标输入BP神经网络模型，获得用户主观体验MOS值；根据MOS值，确定待评估视频的用户体验质量QoE。应用本发明提供的方案，可以使获得的评估结果与用户的真实体验更接近，提高了TCP视频流业务QoE评估的准确度，评估效果好。

Description

一种TCP视频流业务用户体验质量评估方法及装置

技术领域

本发明涉及视频流业务用户体验质量评估技术领域，特别是涉及一种TCP视频流业务用户体验质量评估方法及装置。

背景技术

随着互联网的快速发展以及媒体信息的大量涌现，视频流业务逐渐成为网络服务提供商最主要的业务之一。与此同时，随着智能终端的快速发展，通过网络观看视频的用户也越来越多。用户在观看网络视频时，不仅希望视频清晰、流畅，还希望视频的内容能够丰富有趣，视频服务的满意度是清晰、流畅、内容的综合考虑，即用户对视频服务的要求越来越高。因此，为了争取更多的用户，获取用户对视频流业务的满意度，提高视频流业务质量，无疑是视频流业务提供商在行业竞争中取得成功的关键。

目前，常通过用户体验质量(Quality of Experience,QoE)来表征用户对视频流业务的满意度。相较于传统的服务质量(Quality of Service,QoS)，QoE考虑了用户的主观因素，更贴近用户的真实感受，它作为用户在一定的客观环境中对所使用的服务或者业务的整体认可程度，对服务或业务提供商来说显得尤为重要。因此，研究视频流业务QoE的评估方法具有很大的现实意义。

例如，申请号为201410325896.0的发明专利申请，公开了一种TCP视频流业务的QoE训练和评估的方案，该方案的具体过程为：根据视频流业务的网络性能，例如视频的传输速率，得出视频流业务网络QoS，并建立网络性能指标体系；根据视频流业务的应用层性能，例如视频的初始缓冲时间、重缓冲频率和平均缓冲时长，得出视频流应用层QoS，并建立视频流业务的应用层性能指标体系；建立视频流业务网络QoS与视频流应用层QoS的映射函数；根据实验确定用户体验平均意见(Mean Opinion Score，MOS)值，得出QoE，其中，MOS值根据实验中邀请的受试者对视频流业务的主观评分来确定；建立视频流应用层QoS与QoE的映射关系；根据视频流业务网络QoS与视频流应用层QoS的映射函数，并根据视频流应用层QoS与QoE的映射关系，建立视频流业务网络QoS与QoE的映射模型；最后，根据网络性能指标体系、应用层性能指标体系和视频流业务网络QoS与QoE的映射模型，进行QoE评估。

但是，上述专利申请中公开的QoE评估方案，只考虑了视频流业务的网络层性能和应用层性能，较少考虑用户观看视频时的感受，以及用户观看视频时的交互行为，这不符合真实的应用场景。用户交互行为及用户感受是视频业务流QoE评估中不可回避的一个重要影响因素，在视频业务流QoE评估中，如不考虑用户交互行为和用户感受，会使得到QoE评估结果与用户的真实体验产生较大的偏差，评估效果差。

发明内容

本发明实施例的目的在于提供一种TCP视频流业务用户体验质量评估方法及装置，以提高QoE评估的准确度，使得QoE评估结果与用户的真实体验更为接近，提高评估效果。

为了实现上述目的，本发明实施例公开了一种TCP视频流业务用户体验质量评估方法，所述方法包括：

S101、监测并记录客户端观看待评估视频时的用户交互行为，包括暂停、快进、后退和所选择的分辨率；

S102、根据所述客户端观看待评估视频时的网络层性能、应用层性能和所述用户交互行为，获取表征待评估视频的播放流畅度、内容吸引度和画面清晰度的多个性能量化指标；

S103、将每一所述性能量化指标输入BP神经网络模型，获得用户主观体验MOS值；

S104、根据所述MOS值，确定待评估视频的用户体验质量QoE。

优选的，在执行步骤S101后，并在执行步骤S102前，所述方法还包括：

筛选所述用户交互行为。

优选的，所述筛选所述用户交互行为包括：

筛选并删除所述用户交互行为中的随机用户交互行为；

和/或，筛选并删除所述用户交互行为中的小概率用户交互行为。

优选的，所述随机用户交互行为的确定方法包括：

根据第一函数确定用户交互行为的有效时间范围；其中，所述第一函数为：δ为所述有效时间范围，t_start和t_end分别表示待评估视频的开始播放和播放结束的时刻，t_i为用户交互行为发生的时刻，T为预设的时间范围；

根据所述有效时间范围确定第二函数的输出值，将使所述第二函数的输出值等于零的用户交互行为确定为随机用户交互行为；其中，所述第二函数为：D_i是t_i-δ到t_i+δ时间范围内，n_i个用户交互行为发生的时刻t_a+j与t_i的相对距离差d_(a+j)i之和；

所述小概率用户交互行为的确定方法包括：

当所述用户交互行为是预先统计获得的小概率用户交互行为时，确定为小概率用户交互行为。

优选的，所述BP神经网络模型由输入层、隐含层和输出层组成，输入层节点的个数为8，隐含层节点的个数为13，输出层节点的个数为1。

优选的，所述表征待评估视频的播放流畅度的性能量化指标包括：初始缓冲时间、平均缓冲时长、重缓冲频率、平均暂停时长和暂停频率；

所述表征待评估视频的内容吸引度的性能量化指标包括：快进比例、后退比例；

所述表征待评估视频的画面清晰度的性能量化指标包括：视频平均分辨率。

本发明实施例还公开了一种TCP视频流业务用户体验质量评估装置，所述装置包括：用户交互行为监测模块、性能量化指标获取模块、MOS值计算模块和评估模块，

所述用户交互行为监测模块，用于监测并记录客户端观看待评估视频时的用户交互行为，包括：暂停、快进、后退和所选择的分辨率；

所述性能量化指标获取模块，用于根据所述客户端观看待评估视频时的网络层性能、应用层性能和所述用户交互行为，获取表征待评估视频的播放流畅度、内容吸引度和画面清晰度的多个性能量化指标；

所述MOS值计算模块，用于将每一所述性能量化指标输入BP神经网络模型，获得用户主观体验MOS值；

所述评估模块，用于根据所述MOS值，确定待评估视频的用户体验质量QoE。

优选的，所述装置还包括：用户交互行为筛选模块，用于对所述用户交互行为监测模块监测到的用户交互行为进行筛选，并传输给所述性能量化指标获取模块。

优选的，所述用户交互行为筛选模块，包括：

随机用户交互行为筛选单元，用于筛选并删除所述用户交互行为中的随机用户交互行为；

小概率用户交互行为筛选单元，用于筛选并删除所述用户交互行为中的小概率用户交互行为。

优选的，所述随机用户交互行为筛选单元，包括：

有效时间范围确定子模块，用于根据第一函数确定用户交互行为的有效时间范围；其中，所述第一函数为：δ为所述有效时间范围，t_start和t_end分别表示待评估视频的开始播放和播放结束的时刻，t_i为用户交互行为发生的时刻，T为预设的时间范围；

随机用户交互行为确定子模块，用于根据所述有效时间范围确定第二函数的输出值，将使所述第二函数的输出值等于零的用户交互行为确定为随机用户交互行为，并删除该随机用户交互行为；其中，所述第二函数为：D_i是t_i-δ到t_i+δ时间范围内，n_i个用户交互行为发生的时刻t_a+j与t_i的相对距离差d_(a+j)i之和。

本发明实施例提供的一种TCP视频流业务用户体验质量评估方法及装置，可以监测并记录客户端观看待评估视频时的用户交互行为，包括暂停、快进、后退和所选择的分辨率；根据所述客户端观看待评估视频时的网络层性能、应用层性能和所述用户交互行为，获取表征待评估视频的播放流畅度、内容吸引度和画面清晰度的多个性能量化指标；将每一所述性能量化指标输入BP神经网络模型，获得用户主观体验MOS值；根据所述MOS值，确定待评估视频的用户体验质量QoE。由于本发明提供的方案，不仅考虑了网络层和应用层性能指标对TCP视频流业务QoE的影响，还考虑了用户交互行为的影响，使得获得的评估结果与用户的真实体验更接近，提高了TCP视频流业务QoE评估的准确度，评估效果好。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的一种TCP视频流业务用户体验质量评估方法的流程图；

图2为本发明实施例2提供的一种TCP视频流业务用户体验质量评估方法的流程图；

图3为应用不考虑用户交互行为的BP神经网络模型进行评估的评估结果示意图；

图4为应用本发明实施例2提供的一种TCP视频流业务用户体验质量评估方法进行评估的评估结果示意图；

图5为本发明实施例3中进行主观评定实验的HTTP视频传输***实验平台示意图；

图6为本发明实施例1所采用的BP网络神经模型的示意图；

图7为本发明实施例5提供的一种TCP视频流业务用户体验质量评估装置的结构示意图；

图8为本发明实施例6提供的一种TCP视频流业务用户体验质量评估装置的结构示意图。

具体实施方式

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，所描述的实施例仅仅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。

本发明实施例提供了一种TCP视频流业务用户体验质量评估方法及装置，下面分别进行说明。

实施例1

如图1所示，本发明实施例1提供了一种TCP视频流业务用户体验质量评估方法，包括如下步骤：

S101、监测并记录客户端观看待评估视频时的用户交互行为，包括暂停、快进、后退和所选择的分辨率；

当用户通过客户端观看视频时，在客户端使用了JavaScript编写的脚本，通过HTML视频事件的API，使用户可以控制浏览器上的播放器，并能够监测并记录用户在观看视频过程中的用户交互行为。

S102、根据所述客户端观看待评估视频时的网络层性能、应用层性能和所述用户交互行为，获取表征待评估视频的播放流畅度、内容吸引度和画面清晰度的多个性能量化指标；

(1)关于视频播放的流畅度

视频播放是否流畅是影响用户体验最主要的因素，本发明选取已有研究提出过的网络层和应用层性能指标，以及表征暂停这一用户交互行为的性能指标，来量化视频播放的流畅度。其中，表征暂停这一用户交互行为的性能指标的计算方式可以有多种，例如暂停的次数、暂停的时长等，本实施例对此不做具体限定。

(2)关于视频内容的吸引度

通常情况下，用户也会很关注视频内容的趣味性。一方面，视频的内容如果很有趣，用户有时会反复观看视频的热点/高潮部分。另一方面，视频的内容如果很无趣，用户会感到厌烦，进而可能选择快进或者直接跳转。因此，本发明量化了快进、后退两个用户交互行为以表征视频内容的吸引度。其中，表征快进、后退这两个用户交互行为的性能指标的计算方式可以有多种，例如快进的时间长度、快进的频率、后退的频率等，本实施例对此不做具体限定。

(3)关于视频画面的清晰度

可以理解，用户希望的是视频画面尽可能的高清。然而，在视频播放过程中，由于带宽有限或者不良的网络情况，用户有时会在视频画面的清晰度和视频播放的流畅度之间做出权衡。例如，为了能够流畅地观看视频，用户可能将视频由高分辨率切换成低分辨率，即用户为了流畅观看视频而做出的一种让步行为。不过，也不排除牺牲流畅性而坚持看高清视频的用户。

因此，本发明量化了用户所选择的视频分辨率这一用户交互行为，以表征视频画面的清晰度，具体的，表征用户所选择的视频分辨率这一用户交互行为的性能指标的计算方式可以有多种，例如平均视频分辨率、最小视频分辨率持续的时长占整个视频时长的比例等，本实施例对此不做具体限定。

S103、将每一所述性能量化指标输入BP神经网络模型，获得用户主观体验MOS值；

由于在BP神经网络模型的输入参数和输出参数具有相关性时，才能应用BP神经网络模型进行评估。因此，为了使BP神经网络模型的输出为用户体验质量MOS值，必须使输入BP神经网络模型的输入参数与MOS值相关。

可以理解的是，在视频播放过程中，用户的体验状态(可以称为隐状态)是无法得知的，但在现实中是确定存在的，如用户感到满意或厌烦。而用户在观看视频过程中的交互行为是可观测的，包括暂停、快进、切换视频分辨率等操作。因此，可以将用户的交互行为视为用户观看视频的体验状态的一种外在反映。也就是说，用户交互行为在很多情况下能够反映出用户体验质量，用户交互行为与用户体验质量具有相关性。

但是，为了严谨起见，本发明还利用隐马尔可夫模型(Hidden MarkovModel，HMM)对用户交互行为(可观测状态)与用户体验相(隐状态)是否相关做了验证，验证结果表明，用户交互行为与用户体验具有相关性，可以将体现用户交互行为的性能量化指标作为BP神经网络的输入参数，将BP神经网络模型的输出参数作为MOS值。

另外，现有技术已经证明，表征客户端观看待评估视频时的网络层性能和应用层性能的性能量化指标与用户体验相关，因此，也可以将这些性能量化指标作为BP神经网络的输入参数。

具体的，利用HMM模型，关联用户交互行为与用户体验质量的过程如下：

步骤一、分析统计用户体验状态序列及交互行为；

在时刻t，用户的观看视频的体验s_t∈S＝{S₁,S₂,…,S_N}，其中S₁,S₂,…,S_N是N个可能的隐状态，即用户体验。而由此产生M个观测结果，即用户在观看视频过程中的交互行为v_t∈V＝{V₁,V₂,…,V_M}。用户观看视频的体验状态组成的序列称为马尔可夫链。

步骤二、采用Baum-Welch法估计HHM模型的***参数λ；

HHM模型可以由五个元素(2个状态集合和3个概率矩阵)来描述，即HMM的***参数λ＝{N,M,A,B,π}，简记为λ＝{A,B,π}。N表示HMM的隐状态数目，S＝{S₁,S₂,…,S_N}是隐状态集合；M表示由此产生的可观测结果数目，V＝{V₁,V₂,…,V_M}是观测值集合。A表示隐状态转移概率矩阵，描述了HMM各个隐状态之间的转移概率；B表示观测值概率矩阵，描述了隐状态下观测值的概率分布；π表示初始状态概率矩阵，描述了隐状态的初始概率分布。

A＝{a_ij|1≤i,j≤N}，其中，a_ij＝P(S_k＝j|S_k-1＝i),ij∈S。

B＝{b_j(k)|1≤j≤N,1≤k≤M}，其中，b_j(k)＝P(V_k|S_j)。

π＝{π_i|1≤i≤N}，其中，π_i＝P(S₁＝i)。

当用户观看视频过程中的体验状态和行为观测状态已确定，对于长度为T的观测序列O＝{O₁,O₂…,O_T}，选择能将此观测序列出现概率最大化的参数作为HMM的最佳估计，即需要寻找参数使得表示概率的似然函数Pr(v|λ)最大化。采用Baum-Welch法，由初始估计量计算对数似然函数并选择新的估计量。

具体地，设λ的初始估计量为λ^i-1，采用以下对数似然函数修正此估计量：

其中，U表示λ^i-1到λ的修正过程的似然函数，Q表示特定的隐状态序列。

取新的估计量λⁱ＝argmax_λQ(λ,λ^i-1)，对特定隐状态序列Q，可以得到，

其中，q指的是特定隐状态序列Q中的隐状态值，指的是隐状态q_t-1到隐状态q_t的转移概率值，是隐状态q_t对应的观测概率值，π_q0是隐状态q₀对应的初始状态概率值。

因此，似然函数变为：

$\begin{array}{c}U(\mathrm{\λ},{\mathrm{\λ}}^{i-1})=\underset{Q}{\Σ}{\mathrm{log\π}}_{q_0}\mathrm{Pr}(O,Q|{\mathrm{\λ}}^{i-1})\mathrm{Pr}(O,Q|\mathrm{\λ})+\underset{Q}{\Σ}\left(\underset{t=1}{\overset{T}{\Σ}}{\mathrm{loga}}_{q_{t-1}{q}_t}\right)P_r(O,Q|{\mathrm{\λ}}^{i-1})\\ +\underset{Q}{\Σ}\left(\underset{t=1}{\overset{T}{\Σ}}{\mathrm{logb}}_{q_t}\right(Q_t\left)\right)P_r(O,Q|{\mathrm{\λ}}^{i-1})\end{array}$

通过优化以上等式的右边三项可独立估计出模型参数，通过计算0时刻状态S_j出现的比率可确定π_j，通过计算在状态S_i时S_i转变至S_j的比率来确定a_ij；计算状态S_j、以及状态S_j条件下观察到V_k的比率可得到b_j(k)。最终的参数值λ可通过迭代计算得到。具体的迭代计算方法属于现有技术此处不再赘述。

步骤三、根据所估计得到的参数λ，预测时间t时的用户体验状态；

HMM模型确定后，预测时间t时的用户体验状态等价于给定观测序列和模型参数条件下确定最可能的隐状态，为连续跟踪用户状态，需寻找单条最佳用户状态序列，通过最大化后验概率Pr(Q|O,λ)或Pr(Q,O|λ)来实现，由MAP规则，估计用户在观看视频过程中的观看状态q_t。

$q_t=\arg \underset{s_t\∈S}{max}\mathrm{Pr}\left(s_t\right|O_{1:t},\mathrm{\λ}).$

S104、根据所述MOS值，确定待评估视频的用户体验质量QoE。

MOS值是对QoE的定量描述，MOS值的取值一般为1至5的整数，从1到5分别对应很不满意、不满意、一般、满意和很满意五种QoE。

由于本发明实施例1提供的TCP视频流业务用户体验质量评估方法，不仅考虑了网络层和应用层性能指标对TCP视频流业务QoE的影响，还考虑了用户交互行为的影响，使得该评估方法获得的评估结果与用户的真实体验更接近，提高了TCP视频流业务QoE评估的准确度，评估效果好。

实施例2

如图2所示，本发明实施例提供的另一种TCP视频流业务用户体验质量评估方法，作为实施例1的一种优选方案，实施例2与实施例1的不同之处在于，在执行完步骤S101后，并在执行步骤S102前，所述方法还包括：

S105、筛选所述用户交互行为。

可以理解的是，用户在观看视频过程中可能会作出各种各样的交互行为，但其中有些行为是用户不经常做的，发生的概率小，影响权重低，研究价值不大；有些用户行为通常是随机出现的，带有不确定性。因此，对用户交互行为进行适当地筛选，可以进一步提高TCP视频业务流的QoE评估的准确度。

同样的，如果对上文中述及的通过主观评定实验获得的样本数据中的用户交互行为进行筛选后，再利用筛选后的样本数据训练BP神经网络模型，训练获得的BP神经网模型更优。

具体地，可通过下述方式对监测获得的用户交互行为进行筛选：

筛选并删除所述用户交互行为中的随机用户交互行为；

和/或，筛选并删除所述用户交互行为中的小概率用户交互行为。

进一步地，随机用户交互行为的确定方法包括：

步骤一、根据第一函数确定用户交互行为的有效时间范围；

其中，所述第一函数为：δ为所述有效时间范围，t_start和t_end分别表示待评估视频的开始播放和播放结束的时刻，t_i为用户交互行为发生的时刻，T为预设的时间范围；

步骤二、根据所述有效时间范围确定第二函数的输出值，将使所述第二函数的输出值等于零的用户交互行为确定为随机用户交互行为；

其中，所述第二函数为：D_i是t_i-δ到t_i+δ时间范围内，n_i个用户交互行为发生的时刻t_a+j与t_i的相对距离差d_(a+j)i之和。

进一步地，小概率用户交互行为的确定方法包括：

当所述用户交互行为是预先统计获得的小概率用户交互行为时，确定为小概率用户交互行为。

应用本发明实施例2提供的TCP视频流业务用户体验质量评估方法，相比于现有技术，不仅在考虑了用户交互行为对TCP视频流业务QoE的影响的基础上，使得该评估方法获得的评估结果与用户的真实体验更接近，提高了TCP视频流业务QoE评估的准确度。而且，对用户交互行为进行筛选后，可以进一步提高TCP视频流业务QoE评估的准确度，评估效果更佳。

为了进一步证明本发明实施例2提供的TCP视频流业务用户体验质量评估方法的有益性，本发明对应用实施例2提供的QoE评估方法与应用不考虑用户交互行为的BP神经网络模型进行QoE评估的评估性能进行比较，比较结果如图3和图4所示，其中图3为应用不考虑用户交互行为的BP神经网络模型进行评估的评估结果示意图，图4为应用本发明实施例2提供的一种TCP视频流业务用户体验质量评估方法进行评估的评估结果示意图。

在图3和图4中，离散的点表示单个样本数据的评估结果；实线为标准参考线，表示利用BP网络神经模型评估获得MOS值与主观评定实验获得的MOS值完全相等；虚线为对离散点进行线性拟合的结果，表示利用BP网络神经模型评估获得MOS值与主观评定实验获得的MOS值的相互关系，R表示线性拟合的相关性。R越大，同时，线性拟合线与标准参考线越接近，表明利用BP网络神经模型评估获得MOS值与主观评定实验获得的MOS值越相近。

对比图3和图4可知，本发明实施例2提供的TCP视频流业务用户体验质量评估方法，由于考虑了用户交互行为，因此，评估结果与用户的实际体验更接近，评估结果更准确。

实施例3

作为实施例1或实施例2的一种优选方案，实施例3与实施例1或实施例2的不同之处在于，本实施例中所采用的BP神经网络模型是通过利用样本数据训练获得的，训练BP神经网络模型的具体过程如下：

步骤一，进行用户观看视频的用户体验质量主观评定实验，以获得样本数据。

实验中，受试者男女比例协调，来自不同的背景环境。搭建如图5所示的HTTP视频传输***，在图5中1代表服务器，2代表路由器，3代表用户观看视频的客户端，在路由器2上通过TC命令控制netem模拟不同的网络环境，网络参数的设置如表1所示。

表1 主观评定实验中设置的网络参数

在视频的主观评定实验中，***监测记录用户在观看视频时的交互行为，获得用户交互行为序列。受试者在视频播放过程中，可以根据自己的需要实时地给出评分，产生用户体验状态序列。在视频播放结束时，受试者再给出一个最后的总体评分。实验结束后，对评分结果做统计学分析，剔除无效数据，进而得出有效的用户主观体验MOS值。

将主观评定实验中获得的用户交互行为序列和最终的用户主观体验MOS值确定为样本数据。其中，可以利用实施例2中公开的相同方式，对用户交互行为序列中的小概率用户交互行为和随机用户交互行为进行筛选，将筛选后的用户交互行为序列及对应的用户主观体验MOS值作为样本数据，以使训练获得的BP神经网络模型更优。

步骤二，基于主观评定实验获得的样本数据，训练BP神经网络。

本实施例采用三层BP神经网络，其结构由输入层、隐含层、输出层组成。输入层包含8个输入节点，将主观评定实验获得的样本数据转化为8个性能量化指标作为BP神经网络模型的输入参数，这8个性能量化指标为：初始缓冲时间、平均缓冲时长、重缓冲频率、平均暂停时长、暂停频率、向前跳转比例、向后跳转比例、平均视频分辨率。输出层包含一个输出节点，即评估MOS值。对于隐含层节点数的选取，通过构造不同的隐节点数的神经网络进行训练，并根据每个神经网络的误差收敛速度及表征拟合程度的均方误差大小的比较，可选择N个隐节点的网络结构，经试验证明，N可以取13。

为了达到较快的收敛速度及较高的精度，本发明选择基于Levenberg-Marquardt(LM)学习算法训练BP神经网络。

BP神经网络算法的学习过程分为正向输入和反向传播两个过程，正向传播中输入信息从输入层经隐含层处理，并传向输出层。在信息的正向传播过程中，将输入信息——即第p个学习样本X_p＝{x_p1，x_p2，…，x_pM}输入BP神经网络后，从输入层经隐含层处理，并传向输出层，计算隐含层第j个节点的期望输出y_pj和输出层节点的实际输出z_p1：

输入层节点到隐含层节点的传递函数为：y_pj＝f₁(x)＝tanh(x)， y_pj为第j个隐含层节点的输出值，w_ij为第i个输入层节点和第j个隐含层节点间的网络权值，x_pi为第i个输入层节点的输入值，θ_j为第j个隐含层节点的阈值向量；

隐含层节点到输出层节点的传递函数为：z_p1＝f₂(x')＝ax'+b，z_p1为输出层节点输出的MOS值，v_j1为第j个隐含层节点和输出层节点间的网络权值，θ₁为输出层节点的阈值向量，f₂(x)＝ax+b，a和b为常数。

若输出节点的期望值为t_p1，期望值t_p1为样本数据中的用户主观体验MOS值，则输出节点的误差指标函数为：

如果在输出层不能得到期望输出值，则转入反向传播将误差信号e(w)沿原来的联接通路返回，对各层节点间的权值进行优化，直至在输出层能得到期望输出值。Levenberg-Marquardt优化算法的各层节点间的权值的调整方法为：

Δw＝(J^TJ＝+μI)^-1J^Te，其中，J为误差对权值微分的Jacobian矩阵，e为误差向量，μ为学习率。设w^k表示第k次迭代的节点间的权值和节点的阈值所组成的向量，新的节点间的权值和节点的阈值所组成的向量为：w^k+1＝w^k+Δw。

当BP神经网络中的节点间的权值、节点的阈值向量及节点间的传递函数均确定以后，BP神经网络模型便训练完成。

图6显示了实施例3中所采用的BP网络模型的示意图，

本发明实施例3提供的TCP视频流业务用户体验质量评估方法，相比于现有技术，不仅在考虑了用户交互行为对TCP视频流业务QoE的影响的基础上，使得该评估方法获得的评估结果与用户的真实体验更接近，提高了TCP视频流业务QoE评估的准确度。而且，由于使用了结构较佳的BP神经网络模型，因此，使得评估结果与用户的真实体验更接近，评估结果更准确，评估效果更好好。

实施例4

作为实施例1至3中任一实施例的一种优选方案，实施例4与实施例1至3中任一实施例的不同之处在于，其中表征视频播放流畅度、内容吸引度和画面清晰度的性能量化指标具体如下：

(1)表征视频播放的流畅度的性能量化指标包括：

已有研究提出过的三个应用层性能指标：初始缓冲时间、平均缓冲时长、重缓冲频率，以及两个与用户行为相关的指标：平均暂停时长、暂停频率，来量化视频播放的流畅度。

需要说明的是，不管是丢包还是时延，网络层性能最终都反应在应用层，因此，上述三个应用层性能指标可以综合反映网络层和应用层的性能。

初始缓冲时间T_init，度量从视频开始加载到首次开始播放的时间间隔。

平均缓冲时长T_rebuf，视频播放过程中，度量再缓冲时间间隔的平均值。

重缓冲频率f_rebuf，视频播放过程中，度量视频重缓冲事件发生的频率。

平均暂停时长T_pause，视频播放过程中，度量暂停时间间隔的平均值

暂停频率f_pause，视频播放过程中，度量暂停事件发生的频率。

(2)表征视频内容的吸引度的性能量化指标包括：快进比例和后退比例。

其中，快进比例：T_JF,k指第k次向前跳转的时间长度，n_JF是向前跳转的次数，l_JF指向前跳转的总时间长度，l_video为被评估视频的总时长。

其中，后退比例：T_JB指第m次向后跳转的时间长度，n_JB是向后跳转的次数，l_JB指向后跳转的总时间长度。

(3)表征视频画面的清晰度的性能量化指标包括：平均视频分辨率D_switch。

其中，R为供用户选择的视频分辨率，d_r为用户选择的视频分辨率，l_r为用户在分辨率d_r下观看待评估视频的时长。其中，R的可选值包括：720P、480P和360P。

本发明实施例4提供的TCP视频流业务用户体验质量评估方法，相比于现有技术，不仅在考虑了用户交互行为对TCP视频流业务QoE的影响的基础上，使得该评估方法获得的评估结果与用户的真实体验更接近，提高了TCP视频流业务QoE评估的准确度。而且，由于使用了8个最能反映用户体验质量的性能量化指标作为BP神经网络模型的输入参数，因此，使得评估结果与用户的真实体验更接近，进一步提高了TCP视频流业务QoE评估的准确度，评估效果更好。

实施例5

相应于上述方法实施例，如图7所示，本发明还提供了一种TCP视频流业务用户体验质量评估装置，所述装置包括：用户交互行为监测模块701、性能量化指标获取模块702、MOS值计算模块703和评估模块704，

用户交互行为监测模块701，用于监测并记录客户端观看待评估视频时的用户交互行为，包括：暂停、快进、后退和所选择的分辨率；

当用户通过客户端观看视频时，在客户端使用JavaScript通过HTML5视频事件的API控制浏览器上的播放器，监测并记录用户在看视频过程中的用户交互行为。

性能量化指标获取模块702，用于根据所述客户端观看待评估视频时的网络层性能、应用层性能和所述用户交互行为，获取表征待评估视频的播放流畅度、内容吸引度和画面清晰度的多个性能量化指标；

其中，表征待评估视频的播放流畅度、内容吸引度和画面清晰度的多个性能量化指标与实施例1中一致，此处不做重复描述。

MOS值计算模块703，用于将每一所述性能量化指标输入BP神经网络模型，获得用户主观体验MOS值；

同样由于在BP神经网络模型的输入参数和输出参数具有相关性时，才能应用BP神经网络模型进行评估。因此，为了使BP神经网络模型的输出为用户体验质量MOS值，必须使输入BP神经网络模型的输入参数与MOS值相关。

可以理解的是，在视频播放过程中，用户的体验状态(可以称为隐状态)是无法得知的，但在现实中是确定存在的，如用户感到满意或厌烦。而用户在观看视频过程中的交互行为是可观测的，包括暂停、快进、切换视频分辨率等操作。因此，可以将用户的交互行为视为用户观看视频的体验状态的一种外在反映。也就是说，用户交互行为在很多情况下能够反映出用户体验质量，用户交互行为与用户体验质量具有相关性。

但是为了严谨起见，与实施例1中一样，本实施例中也采用HHM模型对用户交互行为(可观测状态)与用户体验相(隐状态)是否相关做了验证，验证结果表明，用户交互行为与用户体验具有相关性，可以将体现用户交互行为的性能量化指标作为BP神经网络的输入参数，将BP神经网络模型的输出参数作为MOS值。

具体的，采用HHM模型验证用户交互行为与用户体验质量的过程与实施例1中一致，此处不做重复描述。

另外，现有技术已经证明，表征客户端观看待评估视频时的网络层性能和应用层性能的性能量化指标与用户体验相关，因此，也可以将这些性能量化指标作为BP神经网络的输入参数。

评估模块704，用于根据所述MOS值，确定待评估视频的用户体验质量QoE。

MOS值是对QoE的定量描述，MOS值的取值一般为1至5的整数，从1到5分别对应很不满意、不满意、一般、满意和很满意五种QoE。

由于本发明实施例5提供的TCP视频流业务用户体验质量评估装置，不仅考虑了网络层和应用层性能指标对TCP视频流业务QoE的影响，还考虑了用户交互行为的影响，使得该评估装置获得的评估结果与用户的真实体验更接近，提高了TCP视频流业务QoE评估的准确度，评估效果好。

实施例6

如图8所示，在实施例5的基础上，本发明实施例6还提供了另一种TCP视频流业务用户体验质量评估装置，与实施例5的不同之处在于，所述装置还包括：用户交互行为筛选模块705，用于对所述用户交互行为监测模块监测到的用户交互行为进行筛选，并传输给所述性能量化指标获取模块。

可以理解的是，用户在观看视频过程中可能会作出各种各样的交互行为，但其中有些行为是用户不经常做的，发生的概率小，影响权重低，研究价值不大；有些用户行为通常是随机出现的，带有不确定性。因此，对用户交互行为进行适当地筛选，可以进一步提高TCP视频业务流的QoE评估的准确度。

具体的，用户交互行为筛选模块705，包括：

随机用户交互行为筛选单元，用于删除所述用户交互行为中的随机用户交互行为；

小概率用户交互行为筛选单元，用于删除所述用户交互行为中的小概率用户交互行为。

其中，随机用户交互行为筛选单元，包括：

有效时间范围确定子模块，用于根据第一函数确定用户交互行为的有效时间范围；其中，所述第一函数为：δ为所述有效时间范围，t_start和t_end分别表示待评估视频的开始播放和播放结束的时刻，t_i为用户交互行为发生的时刻，T为预设的时间范围；

随机用户交互行为确定子模块，用于根据所述有效时间范围确定第二函数的输出值，将使所述第二函数的输出值等于零的用户交互行为确定为随机用户交互行为，并删除该随机用户交互行为；其中，所述第二函数为：D_i是t_i-δ到t_i+δ时间范围内，n_i个用户交互行为发生的时刻t_a+j与t_i的相对距离差d_(a+j)i之和。

另外，小概率用户交互行为的确定方法包括：

当所述用户交互行为是预先统计获得的小概率用户交互行为时，确定为小概率用户交互行为。

应用本发明实施例6提供的TCP视频流业务用户体验质量评估装置，相比于现有技术，不仅在考虑了用户交互行为对TCP视频流业务QoE的影响的基础上，使得该评估装置获得的评估结果与用户的真实体验更接近，提高了TCP视频流业务QoE评估的准确度。而且，对用户交互行为进行筛选后，可以进一步提高TCP视频流业务QoE评估的准确度，评估效果更佳。

实施例7

作为实施例5或实施例6的一种优选方案，实施例7与实施例5或实施例6的不同之处在于，本实施例中所采用的BP神经网络模型是通过利用样本数据训练获得的，具体的训练过程与实施例3中描述的一致，此处不做重复描述。

但需要说明的是，优选的，训练获得的BP神经网络模型由输入层、隐含层、输出层组成。输入层包含8个输入节点，将主观评定实验获得的样本数据转化为8个性能量化指标作为BP神经网络模型的输入参数，这8个性能量化指标为：初始缓冲时间、平均缓冲时长、重缓冲频率、平均暂停时长、暂停频率、向前跳转比例、向后跳转比例、平均视频分辨率。输出层包含一个输出节点，即评估MOS值。对于隐含层节点数的选取，通过构造不同的隐节点数的神经网络进行训练，并根据每个神经网络的误差收敛速度及表征拟合程度的均方误差大小的比较，可选择N个隐节点的网络结构，经试验证明，N取13时取得的评估结果最优。

本发明实施例7提供的TCP视频流业务用户体验质量评估装置，相比于现有技术，不仅在考虑了用户交互行为对TCP视频流业务QoE的影响的基础上，使得该评估装置获得的评估结果与用户的真实体验更接近，提高了TCP视频流业务QoE评估的准确度。而且，由于使用了结构较佳的BP神经网络模型，因此，使得评估结果与用户的真实体验更接近，评估结果更准确，评估效果更好。

实施例8

作为实施例5至7中任一实施例的一种优选方案，实施例8与实施例5至7中任一实施例的不同之处在于，其中表征视频播放流畅度、内容吸引度和画面清晰度的性能量化指标具体如下：

(1)表征视频播放的流畅度的性能量化指标包括：

已有研究提出过的三个应用层性能指标：初始缓冲时间、平均缓冲时长、重缓冲频率，以及两个与用户行为相关的指标：平均暂停时长、暂停频率，来量化视频播放的流畅度。

需要说明的是，不管是丢包还是时延，网络层性能最终都反应在应用层，因此，上述三个应用层性能指标可以综合反映网络层和应用层的性能。

初始缓冲时间T_init，度量从视频开始加载到首次开始播放的时间间隔。

平均缓冲时长T_rebuf，视频播放过程中，度量再缓冲时间间隔的平均值。

重缓冲频率f_rebuf，视频播放过程中，度量视频重缓冲事件发生的频率。

平均暂停时长T_pause，视频播放过程中，度量暂停时间间隔的平均值

暂停频率f_pause，视频播放过程中，度量暂停事件发生的频率。

(2)表征视频内容的吸引度的性能量化指标包括：快进比例和后退比例。

其中，快进比例：T_JF,k指第k次向前跳转的时间长度，n_JF是向前跳转的次数，l_JF指向前跳转的总时间长度，l_video为被评估视频的总时长。

其中，后退比例：T_JB指第m次向后跳转的时间长度，n_JB是向后跳转的次数，l_JB指向后跳转的总时间长度。

(3)表征视频画面的清晰度的性能量化指标包括：平均视频分辨率D_switch。

其中，R为供用户选择的视频分辨率，d_r为用户选择的视频分辨率，l_r为用户在分辨率d_r下观看待评估视频的时长。其中，R的可选值包括：720P、480P和360P。

应用本发明实施例8提供的TCP视频流业务用户体验质量评估装置，相比于现有技术，不仅在考虑了用户交互行为对TCP视频流业务QoE的影响的基础上，使得该评估装置获得的评估结果与用户的真实体验更接近，提高了TCP视频流业务QoE评估的准确度。而且，由于使用了8个最能反映用户体验质量的性能量化指标作为BP神经网络模型的输入参数，因此，使得评估结果与用户的真实体验更接近，进一步提高了TCP视频流业务QoE评估的准确度，评估效果更好。

对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种TCP视频流业务用户体验质量评估方法，其特征在于，所述方法包括：

S101、监测并记录客户端观看待评估视频时的用户交互行为，包括暂停、快进、后退和所选择的分辨率；

S102、根据所述客户端观看待评估视频时的网络层性能、应用层性能和所述用户交互行为，获取表征待评估视频的播放流畅度、内容吸引度和画面清晰度的多个性能量化指标；

S103、将每一所述性能量化指标输入BP神经网络模型，获得用户主观体验MOS值；

S104、根据所述MOS值，确定待评估视频的用户体验质量QoE。

2.根据权利要求1所述的方法，其特征在于，在执行步骤S101后，并在执行步骤S102前，所述方法还包括：

筛选所述用户交互行为。

3.根据权利要求2所述的方法，其特征在于，所述筛选所述用户交互行为包括：

筛选并删除所述用户交互行为中的随机用户交互行为；

和/或，筛选并删除所述用户交互行为中的小概率用户交互行为。

4.根据权利要求3所述的方法，其特征在于，所述随机用户交互行为的确定方法包括：

根据第一函数确定用户交互行为的有效时间范围；其中，所述第一函数为：δ为所述有效时间范围，t_start和t_end分别表示待评估视频的开始播放和播放结束的时刻，t_i为用户交互行为发生的时刻，T为预设的时间范围；

根据所述有效时间范围确定第二函数的输出值，将使所述第二函数的输出值等于零的用户交互行为确定为随机用户交互行为；其中，所述第二函数为：D_i是t_i-δ到t_i+δ时间范围内，n_i个用户交互行为发生的时刻t_a+j与t_i的相对距离差d_(a+j)i之和；

所述小概率用户交互行为的确定方法包括：

当所述用户交互行为是预先统计获得的小概率用户交互行为时，确定为小概率用户交互行为。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述BP神经网络模型由输入层、隐含层和输出层组成，输入层节点的个数为8，隐含层节点的个数为13，输出层节点的个数为1。

6.根据权利要求1-4中任一项所述的方法，其特征在于，所述表征待评估视频的播放流畅度的性能量化指标包括：初始缓冲时间、平均缓冲时长、重缓冲频率、平均暂停时长和暂停频率；

所述表征待评估视频的内容吸引度的性能量化指标包括：快进比例、后退比例；

所述表征待评估视频的画面清晰度的性能量化指标包括：视频平均分辨率。

7.一种TCP视频流业务用户体验质量评估装置，其特征在于，所述装置包括：用户交互行为监测模块、性能量化指标获取模块、MOS值计算模块和评估模块，

所述用户交互行为监测模块，用于监测并记录客户端观看待评估视频时的用户交互行为，包括：暂停、快进、后退和所选择的分辨率；

所述性能量化指标获取模块，用于根据所述客户端观看待评估视频时的网络层性能、应用层性能和所述用户交互行为，获取表征待评估视频的播放流畅度、内容吸引度和画面清晰度的多个性能量化指标；

所述MOS值计算模块，用于将每一所述性能量化指标输入BP神经网络模型，获得用户主观体验MOS值；

所述评估模块，用于根据所述MOS值，确定待评估视频的用户体验质量QoE。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：用户交互行为筛选模块，用于对所述用户交互行为监测模块监测到的用户交互行为进行筛选，并传输给所述性能量化指标获取模块。

9.根据权利要求8所述的装置，其特征在于，所述用户交互行为筛选模块，包括：

随机用户交互行为筛选单元，用于筛选并删除所述用户交互行为中的随机用户交互行为；

小概率用户交互行为筛选单元，用于筛选并删除所述用户交互行为中的小概率用户交互行为。

10.根据权利要求9所述的装置，其特征在于，所述随机用户交互行为筛选单元，包括：

有效时间范围确定子模块，用于根据第一函数确定用户交互行为的有效时间范围；其中，所述第一函数为：δ为所述有效时间范围，t_start和t_end分别表示待评估视频的开始播放和播放结束的时刻，t_i为用户交互行为发生的时刻，T为预设的时间范围；

随机用户交互行为确定子模块，用于根据所述有效时间范围确定第二函数的输出值，将使所述第二函数的输出值等于零的用户交互行为确定为随机用户交互行为，并删除该随机用户交互行为；其中，所述第二函数为：D_i是t_i-δ到t_i+δ时间范围内，n_i个用户交互行为发生的时刻t_a+j与t_i的相对距离差d_(a+j)i之和。