CN115278354B - 一种基于用户行为指标的视频传输质量评估和优化的方法和*** - Google Patents
一种基于用户行为指标的视频传输质量评估和优化的方法和*** Download PDFInfo
- Publication number
- CN115278354B CN115278354B CN202210671235.8A CN202210671235A CN115278354B CN 115278354 B CN115278354 B CN 115278354B CN 202210671235 A CN202210671235 A CN 202210671235A CN 115278354 B CN115278354 B CN 115278354B
- Authority
- CN
- China
- Prior art keywords
- play
- user
- rate
- state
- session
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000007704 transition Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims description 17
- 238000001303 quality assessment method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 16
- 238000013441 quality evaluation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明提供一种基于用户行为指标的视频传输质量评估和优化的方法和***,该方法包括:根据用户观看视频会话时长及每秒的播放状态,建立退出率模型;根据每相邻两秒的播放状态,计算状态转移概率;根据转移概率及退出率,计算不同时段内,各种位置、网络连接类型、CDN、码率对应的停留时长的数学期望值;根据停留时长期望,针对给定用户的位置和网络连接类型,选取使得停留时长期望最长的码率和CDN。本发明通过基于退出率和停留时长这两个用户行为指标来建立模型,针对不同用户特定的位置和网络连接类型,评估了不同码率和CDN对应的视频传输质量评分,从而准确地给出能够使得用户观看体验最优化的码率和CDN,能够大大提高视频传输质量。
Description
技术领域
本发明属于网络流媒体传输技术领域,具体涉及到一种基于用户行为指标从而评估和优化视频传输质量的方法和***。
背景技术
网络视频用户正在大幅度增加,用户对高质量网络视频传输服务的需求也越发迫切。人们期盼得到流畅的、高质量的观看体验,而对失败的访问请求、缓慢的加载速度、频繁的缓冲事件和模糊的视频图像感到烦躁,只有能够迎合网络视频用户需求的产品和服务才能获得用户的喜爱和广泛使用。为了适应不同的网络环境,优化视频传输质量,主要途径是通过预测和评估网络实际质量,设计视频码率和CDN(Content Delivery Network,内容分发网络)自适应算法,来优化视频码率和网络链路质量,避免视频流量超出网络负载造成丢包加重,延迟增大,影响视频质量。
现有技术中的网络视频传输质量评估和优化方法,主要采用视频首帧延时、卡顿时长及频率作为调整视频码率和CDN的参照变量,具体调整原则为:选取平均首帧延时、卡顿时长及频率最低的CDN;若首帧延时、卡顿时长及频率仍较高,则减小视频码率;若首帧延时、卡顿时长及频率较低,则增大视频码率。
但是,视频首帧延时、卡顿时长及频率等指标,并不能反映用户的真实感受。在实时视频传输的过程中,也难以采用主观调查的方式来获取用户的真实体验质量。即便通过调整视频码率和CDN,得到了较低的平均首帧延时、卡顿时长及频率,也不代表用户的观看体验得到了提升,即现有的网络视频传输质量评估和优化方法不能准确有效地提升视频传输质量。
用户行为是指用户与播放器界面进行交互的活动,用户行为指标包括退出率、停留时长、观看时长等。相比于视频首帧延时、卡顿时长及频率等指标,用户行为指标能够更直观地反映用户真实的观看感受,并且不需要通过主观实验的方式来获取,是一种更好的反映用户观看体验的参照变量。
发明内容
本发明提供一种基于用户行为指标的视频传输质量评估和优化的方法和***,以准确有效解决网络视频传输的问题。
本发明的一个方面是提供一种视频传输质量评估和优化方法,包括:
获取不同时段内,各种位置、网络连接类型、CDN、码率下,用户观看网络视频的会话时长,以及会话中每秒的播放状态,即每秒是否处于卡顿状态;
根据会话时长及每秒的播放状态,建立退出率模型;
根据每相邻两秒的播放状态,计算播放-播放、播放-卡顿、卡顿-播放、卡顿-卡顿的状态转移概率;
根据状态转移概率及退出率,计算不同时段内,各种位置、网络连接类型、CDN、码率对应的停留时长的数学期望值,即停留时长期望;
根据停留时长期望,针对给定用户的位置和网络连接类型,选取使得停留时长期望最长的码率和CDN。
本发明的另一个方面是提供一种视频传输质量评估和优化***,包括:
建模模块,用于获取用户观看网络视频的会话时长,以及会话中每秒是否处于卡顿状态,从而建立针对所有视频会话的退出率模型;
评估模块,用于区分不同时段内,各种位置、网络连接类型、CDN、码率下,会话中每秒是否处于卡顿状态,从而计算对应的状态转移概率和停留时长的数学期望值;
优化模块,用于针对给定用户的位置和网络连接类型,选取使得停留时长期望最长的码率和CDN。
本发明提供的基于用户行为指标的视频传输质量评估和优化的方法和***,通过基于退出率和停留时长这两个用户行为指标来建立模型,克服了视频首帧延时、卡顿时长及频率等指标无法反映用户真实观看体验的缺陷,同时也避免了实施主观实验的额外消耗。通过计算不同时段内,各种位置、网络连接类型、CDN、码率对应的转移概率和停留时长期望,区分了不同的网络环境,并针对不同用户特定的位置和网络连接类型,评估了不同码率和CDN对应的视频传输质量评分,从而准确地给出能够使得用户观看体验最优化的码率和CDN。因此,本发明提供的基于用户行为指标的视频传输质量评估和优化的方法和***能够大大提高视频传输质量。
附图说明
图1为本发明实施例提供的视频传输质量评估和优化方法的流程图;
图2为本发明实施例提供的视频传输质量评估和优化***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。
本发明实施例针对现有的网络视频传输质量评估和优化方法不能准确有效地提升视频传输质量的问题,提供了基于用户行为指标的视频传输质量评估和优化的方法,图1为本发明实施例提供的视频传输质量评估和优化方法的流程图,该方法具体步骤如下:
步骤101、获取用户观看网络视频的会话时长,以及会话中每秒的播放状态,即每秒是否处于卡顿状态。
具体来说,需要在用户观看网络视频结束、主动退出应用或网页时,记录用户观看会话时长;根据观看过程中每秒的播放状态,将该秒状态标记为“播放”或者“卡顿”。
本实施例中,针对会话中每一秒的播放状态,若该秒内包含的卡顿时长超过一定时间,例如0.3秒,则将该秒状态标记为“卡顿”;若卡顿时长不超过0.3秒,则将该秒状态标记为“播放”。
步骤102、根据会话时长及每秒的播放状态,建立退出率模型。
由于用户退出行为由用户自身完全决定,并受到播放状态的直接影响,但是不受网络环境的直接影响。因此,本实施例中,根据播放状态链来建立退出率模型。
具体实现时,将第t秒的用户退出率记为SERt,根据数据分析中的大数定律,可以用退出行为的频率估计退出率,即SERt的值与会话样本总数S0、(t-1)秒时还未退出的样本数St-1以及t秒时还未退出的样本数St满足公式(1):
本实施例中,利用回归分析,相邻两秒的退出率与这两秒的状态转移(st-1,st)满足公式(2):
SERt=k(st-1,st)SERt-1+b(st-1,st) (2)
其中,st表示用户观看网络视频过程中每秒的播放状态,即“播放”或者“卡顿”,无论状态转换是哪种类型,k(st-1,st)的值范围都是相对固定的,而b(st-1,st)的值只有在状态转换类型确定时才是固定的,因此相邻两秒的退出率满足公式(3):
SERt=γSERt-1+b(st-1,st) (3)
本实施例中,由线性回归方法,计算可得参数γ和b的值。
对于任意的播放状态链c=<s0,s1,s2,…,st,…>,SERt满足公式(4):
步骤103、根据不同时段内,各种位置、网络连接类型、CDN、码率下,会话中每秒是否处于卡顿状态,计算对应的状态转移概率和停留时长的数学期望值。
任意两种状态i、j之间的转移概率PT(i,j),与包含子序列(i,j)的样本数N(i,j),以及上述样本(包含子序列(i,j)的样本)及转移到非j状态的样本数之和N(i)满足公式(5):
由于转移概率由网络环境完全决定,受到时段、位置、网络连接类型、CDN、码率的影响,因此,本实施例中,根据转移概率来区分网络环境。
在任意给定的网络环境下,对于任意的播放状态链c=<s0,s1,s2,…,st,…>,其生成概率PC(c)满足公式(6):
本发明中,停留时长是指一次观看视频会话的总时长。例如,当网络视频应用为网页播放器时,停留时长为用户点击“播放”按钮开始,直到视频播放结束退出为止,或视频播放尚未结束,但用户主动关闭网页播放器退出为止的时间间隔。结合每秒的退出率SERt,该链的停留时长数学期望值E(c)满足公式(7):
于是,给定网络环境的停留时长的数学期望值EST满足公式(8):
EST=∑E(c)Pc(c) (8)
步骤104、针对给定用户的位置和网络连接类型,选取使得停留时长期望最长的码率和CDN。
对于网络视频服务提供商或网络运营商而言,用户的位置和网络连接类型一般是不可控制或改变的,而视频码率和CDN是可以改变的。因此,本实施例中,通过选取使得停留时长期望最长的码率和CDN,来最优化视频传输质量。
这个问题可以视为强化学习问题,因为时段、位置、网络连接类型、CDN、码率构成了要探索的环境,调整所选的可用CDN和码率是要利用的行为。本实施例提出一种∈-贪婪bandit算法,以处理期望最优结果可能存在的误差和CDN可能出现的拥塞。
具体来说,在选取码率和CDN时,以(1-∈)的概率直接选取使得停留时长期望最长的码率和CDN,以∈的概率从所有可用CDN和码率级别组合中随机选取一种。本实施例中,当∈取0.02时,可以获得最大的质量提升。
本实施例中,基于用户退出率和停留时长这两个用户行为指标,建立了视频传输质量模型,克服了视频首帧延时、卡顿时长及频率等指标无法反映用户真实观看体验的缺陷,同时也避免了实施主观实验的额外消耗。为了量化网络环境对视频传输质量的影响,通过计算不同时段内,各种位置、网络连接类型、CDN、码率对应的转移概率和停留时长期望,区分了不同的网络环境,并针对不同用户特定的位置和网络连接类型,评估了不同码率和CDN对应的视频传输质量评分,从而准确地给出能够使得用户观看体验最优化的码率和CDN。因此,本发明实施例提供的基于用户行为指标的视频传输质量评估和优化的方法和***能够大大提高视频传输质量。
图2为本发明实施例提供的视频传输质量评估和优化***的结构示意图,如图2所示,该***包括:
建模模块11,用于获取用户观看网络视频的会话时长,以及会话中每秒是否处于卡顿状态,从而建立针对所有视频会话的退出率模型;
评估模块12,用于区分不同时段内,各种位置、网络连接类型、CDN、码率下,会话中每秒是否处于卡顿状态,从而计算对应的状态转移概率和停留时长的数学期望值;
优化模块13,用于针对给定用户的位置和网络连接类型,选取使得停留时长期望最长的码率和CDN。
进一步地,所述建模模块11还用于:
在用户观看网络视频结束、主动退出应用或网页时,记录用户观看会话时长;根据观看过程中每秒的播放状态,将该秒状态标记为“播放”或者“卡顿”;
将第t秒的用户退出率记为SERt,利用会话样本中退出行为的频率估计退出率;
利用线性回归算法,计算退出率模型参数γ和b的值。
进一步地,所述评估模块12还用于:
根据不同时段内,各种位置、网络连接类型、CDN、码率下,对应的会话样本,计算4种状态转移的概率;
在给定的网络环境下,根据转移概率,计算各种状态链的生成概率;
根据各种状态链上每秒的退出率,计算该状态链的停留时长数学期望值;
根据每种状态链的生成概率以及停留时长期望,用加权平均的方式计算给定网络环境的停留时长数学期望值。
进一步地,所述优化模块13还用于:
实施∈-贪婪bandit算法,在选取码率和CDN时,以(1-∈)的概率直接选取使得停留时长期望最长的码率和CDN,以∈的概率从所有可用CDN和码率级别组合中随机选取一种。
本实施例的视频传输质量评估和优化***可以用于执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***和方法,可以通过其它的方式实现。例如,以上所描述的***实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例应用线性回归算法,计算退出率模型参数γ和b的值;应用∈-贪婪bandit算法做出优化决策。其中,使用其他类型的机器学习、深度学习或强化学习类算法,亦可达到参数估计和优化决策的目的,但本发明实施例所采用的算法实验效果最佳。
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精神和范围。
Claims (3)
1.一种基于用户行为指标的视频传输质量评估和优化的方法,其特征在于,包括以下步骤:
获取不同时段内,各种位置、网络连接类型、CDN、码率下,用户观看网络视频的会话时长,以及会话中每秒的播放状态;
根据会话时长及每秒的播放状态,建立退出率模型;
根据每相邻两秒的播放状态,计算播放-播放、播放-卡顿、卡顿-播放、卡顿-卡顿的状态转移概率;
根据状态转移概率及退出率,计算不同时段内,各种位置、网络连接类型、CDN、码率对应的停留时长期望;
根据停留时长期望,针对给定用户的位置和网络连接类型,选取使得停留时长期望最长的码率和CDN;
所述根据会话时长及每秒的播放状态,建立退出率模型,包括:
将第t秒的用户退出率记为SERt,根据数据分析中的大数定律,用退出行为的频率估计退出率,即依据会话样本总数S0、(t-1)秒时还未退出的样本数St-1以及t秒时还未退出的样本数St,
利用回归分析,得出相邻两秒的退出率与这两秒的状态转移(st-1,st)的函数关系:SERt=γSERt-1+b(st-1,st);
对于任意的播放状态链c=<s0,s1,s2,...,st,...>,得出任意时刻的退出率:
所述计算播放-播放、播放-卡顿、卡顿-播放、卡顿-卡顿的状态转移概率,包括:
依据包含子序列(i,j)的样本数N(i,j),以及包含子序列(i,j)的样本及转移到非j状态的样本数之和N(i),得出任意两种状态i、j之间的状态转移概率:
所述计算不同时段内,各种位置、网络连接类型、CDN、码率对应的停留时长期望,包括:
在任意给定的网络环境下,对于任意的播放状态链c=<s0,s1,s2,...,st,...>,得出生成概率:其中PT(si-1,si)表示状态si-1、si之间的状态转移概率;该链的停留时长数学期望值:以及该网络环境的停留时长数学期望值:EST=∑E(c)Pc(c);
所述选取使得停留时长期望最长的码率和CDN,包括:
应用∈-贪婪bandit算法,以(1-∈)的概率直接选取使得停留时长期望最长的码率和CDN,以∈的概率从所有可用CDN和码率级别组合中随机选取一种。
2.根据权利要求1所述的方法,其特征在于,所述获取不同时段内,各种位置、网络连接类型、CDN、码率下,用户观看网络视频的会话时长,以及会话中每秒的播放状态,包括:
在用户观看网络视频结束、主动退出应用或网页时,记录用户观看会话时长;根据观看过程中每秒的播放状态,将该秒状态标记为“播放”或者“卡顿”。
3.一种基于用户行为指标的视频传输质量评估和优化的***,其特征在于,包括:
建模模块,用于获取用户观看网络视频的会话时长,以及会话中每秒是否处于卡顿状态,从而建立针对所有视频会话的退出率模型;
评估模块,用于区分不同时段内,各种位置、网络连接类型、CDN、码率下,会话中每秒是否处于卡顿状态,从而计算对应的转移概率和停留时长的数学期望值;
优化模块,用于针对给定用户的位置和网络连接类型,选取使得停留时长期望最长的码率和CDN;
所述建模模块采用以下步骤建立退出率模型,包括:
将第t秒的用户退出率记为SERt,根据数据分析中的大数定律,用退出行为的频率估计退出率,即依据会话样本总数S0、(t-1)秒时还未退出的样本数St-1以及t秒时还未退出的样本数St,
利用回归分析,得出相邻两秒的退出率与这两秒的状态转移(st-1,st)的函数关系:SERt=γSERt-1+b(st-1,st);
对于任意的播放状态链c=<s0,s1,s2,...,st,...>,得出任意时刻的退出率:
所述评估模块采用以下步骤计算播放-播放、播放-卡顿、卡顿-播放、卡顿-卡顿的状态转移概率:
依据包含子序列(i,j)的样本数N(i,j),以及包含子序列(i,j)的样本及转移到非j状态的样本数之和N(i),得出任意两种状态i、j之间的状态转移概率:
所述评估模块采用以下步骤计算不同时段内,各种位置、网络连接类型、CDN、码率对应的停留时长期望:
在任意给定的网络环境下,对于任意的播放状态链c=<s0,s1,s2,...,st,...>,得出生成概率:其中PT(si-1,si)表示状态si-1、si之间的状态转移概率;该链的停留时长数学期望值:以及该网络环境的停留时长数学期望值:EST=∑E(c)Pc(c);
所述选取使得停留时长期望最长的码率和CDN,包括:
应用∈-贪婪bandit算法,以(1-∈)的概率直接选取使得停留时长期望最长的码率和CDN,以∈的概率从所有可用CDN和码率级别组合中随机选取一种。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210671235.8A CN115278354B (zh) | 2022-06-14 | 一种基于用户行为指标的视频传输质量评估和优化的方法和*** | |
PCT/CN2022/130477 WO2023240909A1 (zh) | 2022-06-14 | 2022-11-08 | 一种基于用户行为指标的视频传输质量评估和优化的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210671235.8A CN115278354B (zh) | 2022-06-14 | 一种基于用户行为指标的视频传输质量评估和优化的方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115278354A CN115278354A (zh) | 2022-11-01 |
CN115278354B true CN115278354B (zh) | 2024-06-28 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103108257A (zh) * | 2011-11-10 | 2013-05-15 | 中国科学院声学研究所 | 一种用于嵌入式终端改善流媒体播放质量的方法及*** |
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 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103108257A (zh) * | 2011-11-10 | 2013-05-15 | 中国科学院声学研究所 | 一种用于嵌入式终端改善流媒体播放质量的方法及*** |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10163114B2 (en) | Method and apparatus for providing differentiated service levels in a communication network | |
CN110087109B (zh) | 视频码率自适应方法、装置、电子设备及存储介质 | |
US20160142510A1 (en) | Cache-aware content-based rate adaptation mechanism for adaptive video streaming | |
US20120195362A1 (en) | System and Method for Managing Cache Storage in Adaptive Video Streaming System | |
US10362081B2 (en) | Methods and systems for quantifying the holistic quality of experience for internet multimedia | |
CN112291620A (zh) | 视频播放方法、装置、电子设备及存储介质 | |
CN106686409A (zh) | 一种流媒体码率自适应方法及装置、服务器、终端 | |
Xiao et al. | Two-phase rate adaptation strategy for improving real-time video QoE in mobile networks | |
CN108833995B (zh) | 一种无线网络环境中自适应流媒体的传输方法 | |
Ul Mustafa et al. | A supervised machine learning approach for dash video qoe prediction in 5g networks | |
Zuo et al. | Bandwidth-efficient multi-video prefetching for short video streaming | |
CN113259657A (zh) | 基于视频质量分数的dppo码率自适应控制***和方法 | |
CN115278354B (zh) | 一种基于用户行为指标的视频传输质量评估和优化的方法和*** | |
Zhu et al. | Swipe along: a measurement study of short video services | |
Qian et al. | Dam: Deep reinforcement learning based preload algorithm with action masking for short video streaming | |
Li et al. | Alfie: Neural-reinforced adaptive prefetching for short videos | |
Lu et al. | Deep-reinforcement-learning-based user-preference-aware rate adaptation for video streaming | |
CN112202800A (zh) | C-ran架构中基于强化学习的vr视频边缘预取方法和*** | |
WO2023240909A1 (zh) | 一种基于用户行为指标的视频传输质量评估和优化的方法和*** | |
Nguyen et al. | Network-aware prefetching method for short-form video streaming | |
Zhang et al. | A QOE-driven approach to rate adaptation for dynamic adaptive streaming over http | |
JP2022525217A (ja) | 複数のコンテンツデリバリネットワークと通信可能なクライアント装置によるデータセグメントの取得方法 | |
EP3664456A1 (en) | Apparatus and method for playing streamed media | |
Schwarzmann et al. | Linking QoE and performance models for DASH-based video streaming | |
CN113271496A (zh) | 一种网络直播中视频平滑播放方法、***和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |