CN107087160A - 一种基于BP‑Adaboost神经网络的用户体验质量的预测方法 - Google Patents
一种基于BP‑Adaboost神经网络的用户体验质量的预测方法 Download PDFInfo
- Publication number
- CN107087160A CN107087160A CN201710291022.1A CN201710291022A CN107087160A CN 107087160 A CN107087160 A CN 107087160A CN 201710291022 A CN201710291022 A CN 201710291022A CN 107087160 A CN107087160 A CN 107087160A
- Authority
- CN
- China
- Prior art keywords
- adaboost
- data
- user experience
- training
- kpi
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007935 neutral effect Effects 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003466 anti-cipated effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP‑Adaboost神经网络的用户体验质量的预测方法,该方法用于解决现有IPTV视频业务中对于用户体验质量的预测准确性不高的缺陷,本发明的实施流程包括:首先从IPTV机顶盒采集到的数据中抽取KPI数据,并提取特征,特别设计了用户观看率作为其中的重要特征,而后基于Adaboost框架,并将BP神经网络嵌入其中,作为弱分类器,完成BP‑Adaboost神经网络模型的训练,而后对未知用户体验质量的KPI数据进行预测。采用本发明的方法,能够有助于从用户主观感受出发,更好地预测用户体验质量,并且所设计的新型的模型训练和预测方法可以更加准确、高效地预测用户体验质量。
Description
技术领域
本发明涉及视频业务中的用户体验质量分析技术领域,尤其涉及一种基于BP-Adaboost 神经网络的用户体验质量的预测方法。
背景技术
随着有线4K、移动2K、AR/VR等业务的兴起以及通信和网络技术的飞速发展,原本已 经炙手可热的视频服务更是红得发紫,产业链热情被极大点燃,包括视频服务商、运营商、 互联网服务提供商、设备商等在内的各个环节都积极投身于大视频热潮。在大视频时代下, 各种网络中蓬勃发展的视频服务强调的已不仅仅是速度、是带宽、是视频质量,更是用户的 感受和体验。面对海量的视频服务,用户最终根据的还是自身的体验去做出判断和选择。对 于视频服务提供商和网络运营商而言,用户体验的优劣直接影响到视频服务的普及度。只有 变被动运维为主动感知,提升服务质量,从而实现持续提升用户的认可度和黏度,将网络资 源和运营活动定位到最有价值的用户群体中,实现用户群的稳定和资源的优化,才能在激烈 的竞争中实现产业收入的持续增长。
科学地定义度量用户体验的标准,对于提升体验而言是首先需要解决的问题。当前,体 验质量(Quality of Experience,QoE)常用来评价和描述用户的主观感受。QoE越好,说明IPTV 提供的视频服务越好。故而,对于用户体验质量的预测变得尤为重要。虽然针对用户QoE预 测的机器学习模型和方法很多,但往往存在模型的适应性不够灵活,忽略不同特征之间的独 立性,导致预测的准确度不够高等缺点。因此,需要设计高效、准确地用户QoE预测方法。 而本发明能够很好地解决上面的问题。
发明内容
本发明目的在于解决上述现有技术的不足,提出了一种基于BP-Adaboost神经网络的用户 体验质量的预测方法,该方法应用于解决现有IPTV视频业务中对于用户体验质量的预测准 确性不高的问题,该方法首先从IPTV机顶盒采集到的数据中抽取KPI数据,并提取特征, 特别设计了用户观看率作为其中的重要特征,而后基于Adaboost框架,并将BP神经网络嵌 入其中,作为弱分类器,完成BP-Adaboost神经网络模型的训练,而后对未知用户体验质量 的KPI数据进行预测。采用本发明的方法,能够有助于从用户主观感受出发,更好地预测用 户体验质量,并且所设计的新型的模型训练和预测方法可以更加准确、高效地预测用户体验 质量。
本发明解决其技术问题所采取的技术方案是:一种基于BP-Adaboost神经网络的用户体 验质量的预测方法,该方法包括如下步骤:
步骤1:数据预处理,确定影响用户满意度的因素。
(1-1)从IPTV机顶盒收集的视频业务的关键性能指标(KPI)原始记录中,挑选固定时 间长度的KPI数据,每条KPI数据中包含5个属性:设备传输时延df、设备丢包率lp、媒体丢失率lm、用户观看视频的开始时间start_time、观看视频的结束时间end_time;
(1-2)计算节目观看率Vr,其计算公式如下:
在上式中,program_time为该节目的总时长,其可以由节目的id号,通过查询视频供应商 的节目单,映射得到。最终每个KPI数据的特征为:{df,lp,lm,Vr};KPI数据集为其对应的标签为Y={y1,...,yi,...,yN},其中当yi=1表示用户体验不佳, yi=0表示用户体验正常。
(1-3)对KPI数据集进行标准化,即,先求出的均值μ和方差Σ,标准化后的数据为: X={x1,...,xi,...,xN}。
步骤2:训练模型。输入预处理后的数据,训练得到BP_Adaboost模型,具体过程如下:
(2-1)初始化训练数据的权重D1=(w11,…,w1i,…,w1N),其中w1i=1/N,i=1,2,…,N,N表示 数据量;此外,令迭代次数m=1,设定总迭代次数为M;
(2-2)开始迭代,采用选择一个三层神经网络,其包含输入层—隐层—输出层,各层的 节点数分别为4、8、2,采用标准的反向传导(BP)算法,训练得到弱分类器Gm(X),需要说明的是Gm(X)的输出为0或1。
(2-3)计算训练数据在当前分类器Gm(X)下的错误率:
其中I(.)为指示函数,括号中的式子成立时,其值为1;不成立时,其值为0。wmi来自第m 次迭代后的权重分布集合Dm。
(2-4)计算Gm(X)的系数αm:
αm表示Gm(X)在最终分类器中的重要程度,即得到的基本分类器Gm(X)在最终分类器中所占 的比重。
(2-5)更新权重分布集合为Dm+1=(wm1,…,wmi,…,wmN),其中wmi的计算公式如下:
其中,用于对上式进行规范化。
(2-6)判断是否终止迭代。如果m<M,则跳转到步骤(2-2),迭代次数加1(m=m+1),继续下一次迭代;否则,终止迭代,输出和完成BP-Adaboost神经网络分类器的训练过程。
步骤3:完成KPI数据的用户体验质量的预测。
(3-1)对于未知用户体验质量标签y'的KPI数据首先根据步骤1完成预处理,得到x'。
(3-2)将x'作为输入,代入训练好的BP-Adaboost神经网络分类器,如下:
其中,和为经过步骤2训练后得到的输出。
有益效果:
1.本发明对数据进行预处理,能够很好地将传统的网络性能传输参数与用户体验相关因 素相结合,特别是将节目观看率作为重要的特征属性,本发明能够有助于从用户主观感受出 发,更好地预测用户体验质量。
2.本发明能够很好地将BP神经网络和Adaboost算法进行有机结合,所设计的新型的模 型训练方法可以更加准确、高效地预测用户体验质量。
附图说明
图1为本发明的方法流程图。
图2为在三种数据集下本发明的方法BP_Ada和BP,SVM的平均绝对误差对比。
图3为在三种数据集下本发明的方法BP_Ada和BP,SVM的均方误差对比。
图4为在三种数据集下本发明的方法BP_Ada和BP,SVM的绝对误差对比。
具体实施方式
下面结合说明书附图对本发明创造作进一步的详细说明。
如图1所示,本发明提供了一种基于BP-Adaboost神经网络的用户体验质量的预测方法, 该方法包括如下步骤:
步骤1:数据预处理,确定影响用户满意度的因素。
(1-1)从IPTV机顶盒收集的视频业务的关键性能指标(KPI)原始记录中,挑选固定时 间长度的KPI数据,每条KPI数据中包含5个属性:设备传输时延df、设备丢包率lp、媒体丢失率lm、用户观看视频的开始时间start_time、观看视频的结束时间end_time;
(1-2)计算节目观看率Vr,其计算公式如下:
在上式中,program_time为该节目的总时长,其可以由节目的id号,通过查询视频供应商 的节目单,映射得到。最终每个KPI数据的特征为:{df,lp,lm,Vr};KPI数据集为其对应的标签为Y={y1,...,yi,...,yN},其中当yi=1表示用户体验不佳, yi=0表示用户体验正常。
(1-3)对KPI数据集进行标准化,即,先求出的均值μ和方差Σ,标准化后的数据为: X={x1,...,xi,...,xN}。
步骤2:训练模型。输入预处理后的数据,训练得到BP_Adaboost模型,具体过程如下:
(2-1)初始化训练数据的权重D1=(w11,…,w1i,…,w1N),其中w1i=1/N,i=1,2,…,N,N表示 数据量;此外,令迭代次数m=1,设定总迭代次数为M;
(2-2)开始迭代,采用选择一个三层神经网络,其包含输入层—隐层—输出层,各层的 节点数分别为4、8、2,采用标准的反向传导(BP)算法,训练得到弱分类器Gm(X),需要说明的是Gm(X)的输出为0或1。
(2-3)计算训练数据在当前分类器Gm(X)下的错误率:
其中I(.)为指示函数,括号中的式子成立时,其值为1;不成立时,其值为0。wmi来自第m 次迭代后的权重分布集合Dm。
(2-4)计算Gm(X)的系数αm:
αm表示Gm(X)在最终分类器中的重要程度,即得到的基本分类器Gm(X)在最终分类器中所占 的比重。
(2-5)更新权重分布集合为Dm+1=(wm1,…,wmi,…,wmN),其中wmi的计算公式如下:
其中,用于对上式进行规范化。
(2-7)判断是否终止迭代。如果m<M,则跳转到步骤(2-2),迭代次数加1(m=m+1),继续下一次迭代;否则,终止迭代,输出和完成BP-Adaboost神经网络分类器的训练过程。
步骤3:完成KPI数据的用户体验质量的预测。
(3-1)对于未知用户体验质量标签y'的KPI数据首先根据步骤1完成预处理,得到x'。
(3-2)将x'作为输入,代入训练好的BP-Adaboost神经网络分类器,如下:
其中,和为经过步骤2训练后得到的输出。
性能评价:
本发明按上述流程进行实验,首先进行数据预处理,选择特征属性参数,而后采用BP-Adaboost神经网络模型完成训练和预测。所用的数据集包括IPTV机顶盒搜集的不同用户 的100000记录,随机分成三个数据集,对每个数据集,将其中90%作为训练数据,通过步骤 2训练出预测模型。其余10%作为待预测数据,通过步骤3完成预测任务。为了分析结果,采用平均绝对误差(MAE)、均方误差(MSE)以及绝对误差来对比本发明方法和两种有代 表性的现有方法——支持向量机(SVM)以及BP神经网络的预测性能。
图2对比了BP_Ada(BP-Adaboost的缩写,本发明方法),BP和SVM算法在三种数据集下的平均绝对误差(MAE),从图中可看出,本发明采用的算法比其他两种方法性能更好,其平均绝对误差更低。传统的机器学习方法SVM比其他两种算法的MAE值高,这说明BP 和BP_Ada在一定程度上提高了预测的准确度,SVM并没有神经网络的预测性能好。此外, 与BP的性能相比,BP_Ada的性能有了进一步的提升,其原因主要是BP_Ada调整了BP神 经网络的权重,进一步地提高了预测准确率。
图3对比了BP_Ada,BP,SVM算法在三种数据集下的均方误差(MSE),可以看出, 本发明具有最低的均方误差,即说明BP_Ada的预测准确度最高。
图4对比了BP_Ada,BP,SVM的绝对误差。图中横坐标为随机选取出的21个用户。 从图中可以看出,本发明的方法通过在将BP神经网络嵌入Adaboost框架,有效地提高了预 测的准确度。
Claims (5)
1.一种基于BP-Adaboost神经网络的用户体验质量的预测方法,其特征在于,所述方法包括如下步骤:
步骤1:数据预处理,确定影响用户满意度的因素;
步骤2:训练模型,输入预处理后的数据,训练得到BP_Adaboost模型;
步骤3:完成KPI数据的用户体验质量的预测。
2.根据权利要求1所述的一种基于BP-Adaboost神经网络的用户体验质量的预测方法,其特征在于,所述步骤1包括:
(1-1)从IPTV机顶盒收集的视频业务的关键性能指标(KPI)原始记录中,挑选固定时间长度的KPI数据,每条KPI数据中包含5个属性:设备传输时延df、设备丢包率lp、媒体丢失率lm、用户观看视频的开始时间start_time、观看视频的结束时间end_time;
(1-2)计算节目观看率Vr,其计算公式如下:
在上式中,start_time和end_time分别为节目的开始和结束时刻,program_time为该节目的总时长,其根据节目的id号,通过查询视频供应商的节目单,映射得到;最终每个KPI数据的特征为:{df,lp,lm,Vr};KPI数据集为其对应的标签为Y={y1,...,yi,...,yN},其中当yi=1表示用户体验不佳,yi=0表示用户体验正常;
(1-3)对KPI数据集进行标准化,即,先求出的均值μ和方差Σ,标准化后的数据为:X={x1,...,xi,...,xN}。
3.根据权利要求1所述的一种基于BP-Adaboost神经网络的用户体验质量的预测方法,其特征在于,所述步骤2包括:
(2-1)初始化训练数据的权重D1=(w11,…,w1i,…,w1N),其中w1i=1/N,i=1,2,…,N,N表示数据量;此外,令迭代次数m=1,设定总迭代次数为M;
(2-2)开始迭代,采用选择一个三层神经网络,其包含输入层—隐层—输出层,各层的节点数分别为4、8、2,采用标准的反向传导(BP)算法,训练得到弱分类器Gm(X),需要说明的是Gm(X)的输出为0或1;
(2-3)计算训练数据在当前分类器Gm(X)下的错误率:
其中I(.)为指示函数,括号中的式子成立时,其值为1;不成立时,其值为0,wmi来自第m次迭代后的权重分布集合Dm;
(2-4)计算Gm(X)的系数αm:
αm表示Gm(X)在最终分类器中的重要程度,即得到的基本分类器Gm(X)在最终分类器中所占的比重;
(2-5)更新权重分布集合为Dm+1=(wm1,…,wmi,…,wmN),其中wmi的计算公式如下:
其中,用于对上式进行规范化;
(2-6)判断是否终止迭代,如果m<M,则跳转到步骤(2-2),迭代次数加1(m=m+1),继续下一次迭代;否则,终止迭代,输出和完成BP-Adaboost神经网络分类器的训练过程;其中M为预先设定的总迭代次数,在本发明中可以取10~20中的任意整数。
4.根据权利要求1所述的一种基于BP-Adaboost神经网络的用户体验质量的预测方法,其特征在于,所述步骤3包括:
(3-1)对于未知用户体验质量标签y'的KPI数据首先根据步骤1完成预处理,得到x';
(3-2)将x'作为输入,代入训练好的BP-Adaboost神经网络分类器,如下:
其中,和为经过步骤2训练后得到的输出。
5.根据权利要求1所述的一种基于BP-Adaboost神经网络的用户体验质量的预测方法,其特征在于:所述方法首先从IPTV机顶盒采集到的数据中抽取KPI数据,并提取特征,特别设计了用户观看率作为其中的重要特征,而后基于Adaboost框架,并将BP神经网络嵌入其中,作为弱分类器,完成BP-Adaboost神经网络模型的训练,而后对未知用户体验质量的KPI数据进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710291022.1A CN107087160A (zh) | 2017-04-28 | 2017-04-28 | 一种基于BP‑Adaboost神经网络的用户体验质量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710291022.1A CN107087160A (zh) | 2017-04-28 | 2017-04-28 | 一种基于BP‑Adaboost神经网络的用户体验质量的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107087160A true CN107087160A (zh) | 2017-08-22 |
Family
ID=59613041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710291022.1A Pending CN107087160A (zh) | 2017-04-28 | 2017-04-28 | 一种基于BP‑Adaboost神经网络的用户体验质量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107087160A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107483511A (zh) * | 2017-10-10 | 2017-12-15 | 山东大学 | 一种基于软件定义网络SDN的流媒体QoE控制*** |
CN107563394A (zh) * | 2017-09-19 | 2018-01-09 | 广东工业大学 | 一种预测图片流行度的方法及*** |
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 |
CN109905382A (zh) * | 2019-02-15 | 2019-06-18 | 南京邮电大学 | Iptv视频流业务用户体验质量主客观综合评估方法 |
CN109934627A (zh) * | 2019-03-05 | 2019-06-25 | 中国联合网络通信集团有限公司 | 建立满意度预测模型的方法及装置 |
CN110446112A (zh) * | 2019-07-01 | 2019-11-12 | 南京邮电大学 | 基于双向LSTM-Attention的IPTV用户体验预测方法 |
CN111343484A (zh) * | 2018-12-19 | 2020-06-26 | 飞思达技术(北京)有限公司 | 基于人工智能的iptv/ott智能质量告警方法 |
CN111369091A (zh) * | 2018-12-26 | 2020-07-03 | ***通信集团四川有限公司 | 用户感知画像分析的方法、装置、设备和介质 |
CN112231621A (zh) * | 2020-10-13 | 2021-01-15 | 电子科技大学 | 基于BP-adaboost降低元素检出限的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946613A (zh) * | 2012-10-10 | 2013-02-27 | 北京邮电大学 | 一种用于测量用户业务体验质量的方法 |
US20130148525A1 (en) * | 2010-05-14 | 2013-06-13 | Telefonica, S.A. | Method for calculating perception of the user experience of the quality of monitored integrated telecommunications operator services |
WO2016109916A1 (zh) * | 2015-01-05 | 2016-07-14 | 华为技术有限公司 | 用户体验质量QoE预测装置、网络设备和方法 |
CN105897736A (zh) * | 2016-05-17 | 2016-08-24 | 北京邮电大学 | 一种tcp视频流业务用户体验质量评估方法及装置 |
CN106534976A (zh) * | 2016-10-12 | 2017-03-22 | 南京邮电大学 | Iptv视频业务中用户满意度的智能化预测方法 |
-
2017
- 2017-04-28 CN CN201710291022.1A patent/CN107087160A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130148525A1 (en) * | 2010-05-14 | 2013-06-13 | Telefonica, S.A. | Method for calculating perception of the user experience of the quality of monitored integrated telecommunications operator services |
CN102946613A (zh) * | 2012-10-10 | 2013-02-27 | 北京邮电大学 | 一种用于测量用户业务体验质量的方法 |
WO2016109916A1 (zh) * | 2015-01-05 | 2016-07-14 | 华为技术有限公司 | 用户体验质量QoE预测装置、网络设备和方法 |
CN105897736A (zh) * | 2016-05-17 | 2016-08-24 | 北京邮电大学 | 一种tcp视频流业务用户体验质量评估方法及装置 |
CN106534976A (zh) * | 2016-10-12 | 2017-03-22 | 南京邮电大学 | Iptv视频业务中用户满意度的智能化预测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563394A (zh) * | 2017-09-19 | 2018-01-09 | 广东工业大学 | 一种预测图片流行度的方法及*** |
CN107563394B (zh) * | 2017-09-19 | 2021-01-26 | 奇秦科技(北京)股份有限公司 | 一种预测图片流行度的方法及*** |
CN107483511A (zh) * | 2017-10-10 | 2017-12-15 | 山东大学 | 一种基于软件定义网络SDN的流媒体QoE控制*** |
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 |
CN111343484A (zh) * | 2018-12-19 | 2020-06-26 | 飞思达技术(北京)有限公司 | 基于人工智能的iptv/ott智能质量告警方法 |
CN111369091A (zh) * | 2018-12-26 | 2020-07-03 | ***通信集团四川有限公司 | 用户感知画像分析的方法、装置、设备和介质 |
CN109905382A (zh) * | 2019-02-15 | 2019-06-18 | 南京邮电大学 | Iptv视频流业务用户体验质量主客观综合评估方法 |
CN109934627A (zh) * | 2019-03-05 | 2019-06-25 | 中国联合网络通信集团有限公司 | 建立满意度预测模型的方法及装置 |
CN110446112A (zh) * | 2019-07-01 | 2019-11-12 | 南京邮电大学 | 基于双向LSTM-Attention的IPTV用户体验预测方法 |
CN112231621A (zh) * | 2020-10-13 | 2021-01-15 | 电子科技大学 | 基于BP-adaboost降低元素检出限的方法 |
CN112231621B (zh) * | 2020-10-13 | 2021-09-24 | 电子科技大学 | 基于BP-adaboost降低元素检出限的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107087160A (zh) | 一种基于BP‑Adaboost神经网络的用户体验质量的预测方法 | |
CN107027023B (zh) | 基于神经网络的VoIP无参考视频通信质量客观评价方法 | |
CN109905696B (zh) | 一种基于加密流量数据的视频服务体验质量的识别方法 | |
CN103179592B (zh) | 基于树形分层结构的QoE综合评价方法 | |
WO2016101464A1 (zh) | 用户体验质量QoE评估方法、装置、终端及服务器 | |
CN108696403A (zh) | 一种基于网络流特征构造学习的加密视频QoE评测方法 | |
CN109346063B (zh) | 一种语音数据增强方法 | |
CN102946613B (zh) | 一种用于测量用户业务体验质量的方法 | |
CN102904773B (zh) | 一种网络业务质量的测量方法和装置 | |
CN105050125A (zh) | 一种面向用户体验的移动数据业务质量评测方法及装置 | |
WO2021051623A1 (zh) | 基于微服务框架的灰度发布方法、装置和计算机设备 | |
CN103259805B (zh) | 基于用户评价的域名访问控制方法及*** | |
CN106487906B (zh) | 一种情境感知的移动Web应用协议切换方法 | |
US10284712B2 (en) | Voice quality evaluation method, apparatus, and system | |
CN106339507A (zh) | 流媒体消息推送方法和装置 | |
CN111401447B (zh) | 一种基于人工智能的流量作弊识别方法、装置、电子设备 | |
CN107438083A (zh) | 一种Android环境下钓鱼网站检测方法及其检测*** | |
CN109873797A (zh) | 基于统计分析的会话视频业务QoE-QoS参数映射方法 | |
CN106534976A (zh) | Iptv视频业务中用户满意度的智能化预测方法 | |
CN109359686A (zh) | 一种基于校园网流量的用户画像方法及*** | |
CN104246713A (zh) | 利用者体感品质推测装置、终端瓶颈判定装置、类似操作抽出装置及方法以及程序 | |
CN110149280A (zh) | 网络流量分类方法和装置 | |
CN105245362A (zh) | 一种sdn环境中重要节点信息采集方法 | |
CN110855669B (zh) | 基于神经网络适用于加密流量的视频QoE指标预测方法 | |
CN110008402A (zh) | 一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170822 |
|
WD01 | Invention patent application deemed withdrawn after publication |