CN115884195A - 模型训练方法、无线资源调度方法及其装置及电子设备 - Google Patents
模型训练方法、无线资源调度方法及其装置及电子设备 Download PDFInfo
- Publication number
- CN115884195A CN115884195A CN202111144001.XA CN202111144001A CN115884195A CN 115884195 A CN115884195 A CN 115884195A CN 202111144001 A CN202111144001 A CN 202111144001A CN 115884195 A CN115884195 A CN 115884195A
- Authority
- CN
- China
- Prior art keywords
- video
- video service
- service quality
- data
- score
- 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 91
- 238000012549 training Methods 0.000 title claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 14
- 230000003139 buffering effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 4
- 238000013441 quality evaluation Methods 0.000 description 12
- 238000013139 quantization Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 101100465000 Mus musculus Prag1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例涉及无线通信技术领域,公开了一种模型训练方法、无线资源调度方法及其装置及电子设备,方法包括:分别采集用户侧视频业务数据和基站侧无线性能数据;对所述用户侧视频业务数据进行视频业务质量量化评分,并对所述基站侧无线性能数据进行无线性能参数的提取;基于预设算法训练所述基站侧的视频业务质量预测模型;其中,所述视频业务质量预测模型的训练数据包括所述用户侧业务数据的评分和所述无线性能参数;其中,所述视频业务质量预测模型用于根据所述基站侧的无线性能参数,对用户侧视频业务质量进行实时预测。本方法实现了基站侧实时预测视频业务质量、且预测精度高。
Description
技术领域
本申请涉及无线通信技术领域,尤其涉及一种模型训练方法、无线资源调度方法及其装置及电子设备。
背景技术
随着通信技术和信息技术的发展,视频业务类型的多媒体应用得到了迅猛的发展。无线网络KPI(Key Performance Indicator,关键绩效指标)虽然在不断提升,但却无法同时保证用户业务体验的提升。保障用户在视频观看时的良好体验是通信***的重要运营优化方向。
由于基站侧无法及时从用户侧获取用户侧的视频观看数据并判断视频观看体验,因而无法及时改善用户体验。
发明内容
本申请的目的在于解决上述问题,提供一种模型训练方法、无线资源调度方法及其装置及电子设备、,实现在基站侧实时预测出视频业务质量,以便于及时改善用户体验。
为解决上述问题,本申请的实施例提供了一种模型训练方法,包括:分别采集用户侧视频业务数据和基站侧无线性能数据;对所述用户侧视频业务数据进行视频业务质量量化评分,并对所述基站侧无线性能数据进行无线性能参数的提取;基于预设算法训练所述基站侧的视频业务质量预测模型;其中,所述视频业务质量预测模型的训练数据包括所述用户侧业务数据的评分和所述无线性能参数;其中,所述视频业务质量预测模型用于根据所述基站侧的无线性能参数,对用户侧视频业务质量进行实时预测。
为解决上述问题,本申请的实施例还提供了一种无线资源调度方法,包括:实时采集基站侧无线性能数据;对所述基站侧无线性能数据进行无线性能参数的提取;将所述无线性能参数输入预先训练的视频业务质量预测模型,得到视频业务质量预测评分;其中,所述视频业务质量预测模型根据上述模型训练方法得到;基于所述视频业务质量预测评分,实时调整无线资源的调度。
为解决上述问题,本申请的实施例提供了一种模型训练装置,包括:采集模块:用于分别采集用户侧视频业务数据和基站侧无线性能数据;处理模块:用于对所述用户侧视频业务数据进行视频业务质量量化评分,并对所述基站侧无线性能数据进行无线性能参数的提取;训练模块:用于基于预设算法训练所述基站侧的视频业务质量预测模型;其中,所述视频业务质量预测模型的训练数据包括所述用户侧业务数据的评分和所述无线性能参数;其中,所述视频业务质量预测模型用于根据所述基站侧的无线性能参数,对用户侧视频业务质量进行实时预测。
为解决上述问题,本申请的实施例提供了一种无线资源调度装置,包括:采集模块,用于实时采集基站侧无线性能数据;处理模块,用于对所述基站侧无线性能数据进行无线性能参数的提取;预测模块,用于将所述无线性能参数输入预先训练的视频业务质量预测模型,得到视频业务质量预测评分;其中,所述视频业务质量预测模型根据上述模型训练方法得到;优化模块,用于基于所述视频业务质量预测评分,实时调整无线资源的调度。
为解决上述问题,本申请的实施例还提供了一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述模型训练方法或无线资源调度方法。
为解决上述问题,本申请的实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练方法或无线资源调度方法。
在现有的视频业务质量预测方法中,由于基站侧不能及时获取用户侧的观看数据并判断视频观看体验,因而无法实时的改善用户体验。而在本申请的实施例提出的模型训练方法中,用户在观看视频时,服务器分别采集用户侧的视频业务数据和基站侧无线性能数据,对用户侧的视频业务数据进行视频业务质量量化评分,对基站侧无线性能数据进行无线性能参数的提取,并根据预设算法、视频业务质量量化评分以及无线性能参数构建了视频业务质量预测模型,从而实现了对用户侧视频业务质量的实时预测。本申请实施例提出的方法,不仅可以直接在基站侧实时预测出视频业务质量,预测精度高,且适用场景丰富且实用性强。如果能及时从基站侧预测视频业务质量,从而感知用户观看视频体验,就能实时改善用户观看视频体验。
附图说明
图1是本申请的一实施例提供的模型训练方法的流程图;
图2是本申请的一实施例提供的以sStalling作为视频业务质量评分构建的模型预测结果和实际结果的对比图;
图3是本申请的一实施例提供的以sLoading作为视频业务质量评分构建的模型预测结果和实际结果的对比图;
图4是本申请的一实施例提供的无线资源调度方法的流程图;
图5是本申请的一实施例提供的有无基于视频业务质量评分的无线资源调度策略情况下的视频业务质量评分变化图;
图6是本申请的一实施例提供的模型训练装置的结构示意图;
图7是本申请的一实施例提供的无线资源调度装置的结构示意图;
图8是本申请的一实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本申请各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本申请的一实施例涉及一种模型训练方法。在本实施例中,分别采集用户侧视频业务数据和基站侧无线性能数据;对所述用户侧视频业务数据进行视频业务质量量化评分,并对所述基站侧无线性能数据进行无线性能参数的提取;基于预设算法训练所述基站侧的视频业务质量预测模型;其中,所述视频业务质量预测模型的训练数据包括所述用户侧业务数据的评分和所述无线性能参数;其中,所述视频业务质量预测模型用于根据所述基站侧的无线性能参数,对用户侧视频业务质量进行实时预测。本申请实施例实现了实时采集用户侧视频业务数据和基站侧无线性能数据,且通过本申请实施例方法训练出来的预测模型,可以直接在基站侧实时预测出视频业务质量、且预测精度高。
下面对本实施例中模型训练方法的实现细节进行具体的说明,以下内容仅为方便理解本方案的实现细节,并非实施本方案的必须。具体流程如图1所示,可包括如下步骤:
步骤101:分别采集用户侧视频业务数据和基站侧无线性能数据。
具体地说,在用户观看视频的过程中,服务器采集用户观看视频产生的用户侧视频业务数据的同时,在基站侧采集产生的无线性能数据。
在一个例子中,服务器采用开源的网络抓包工具如wireshark等软件,获取用户观看视频过程的IP(Internet Protocol,网际互联协议)数据包,通过IP数据包的解析结果可以获取:观看的视频时长、视频大小、视频码率、视频分辨率、视频初始缓冲时长、视频播放过程中的卡顿时长等相关的视频参数。
在一个例子中,服务器也可以通过其他技术手段直接采集获取相关视频参数。
在一个例子中,服务器在基站侧相应位置设置好采数点,获取的无线性能数据包括但不限于:PDCP(Packet Data Convergence Protocol,分组数据汇聚协议)层、MAC(Multiple Access Channel,多址接入信道)层数据、以及SNR(SIGNAL-NOISE RATIO,信噪比)、RSRP(Reference Signal Receiving Power,参考信号接收功率)、CQI(channelquality indication,信道质量指示)等无线数据。其中,具体数据如下:PDCP层每个数据包的时间戳,用sfn(ms)标识;每个数据包的传输方向为上行(UL)/下行(DL);每个数据包的大小(bytes);每个数据包的SN(Serial Number,序列号)值以判断是否丢包并计算丢包率;MAC层的ack(Acknowledge character,确认字符)和nack(Negative Acknowledgement,否定应答信号)统计数以计算误块率等。表1是列举的部分在视频观看过程中实时采集基站侧产生的无线性能数据。
表1
在步骤102中,对用户侧视频业务数据进行视频业务质量量化评分。
具体地说,服务器对在步骤101中获取的相关视频参数,采用已有的视频业务质量评价标准进行量化得到视频业务质量的量化评分。
在一个例子中,如本实施例使用以下公式计算视频业务质量评分vMOS,以表示用户的视频观看体验综合指标。
其中,vMOS为视频业务质量评分,正常播放得分为1~5分,分值越高视频业务质量越高且视频观看体验越好;sQuality为视频原始信号经过采样和编码损伤后的质量评分,取值1~5分,与视频分辨率、码率等有关,视频分辨率、码率越高分值越高;sLoading为视频经过网络传输后的视频初始缓冲得分,取值1~5分,与视频的初始缓冲时间有关,初始缓冲时间越长得分越低;sStalling为视频经过网络传输后,播放卡顿的得分,取值1~5分,与视频卡顿时长有关,卡顿时长越大分值越低;P1和P2为初始缓冲得分和播放卡顿得分的分配权重,P1+P2=0.5。
根据步骤101获取的视频参数数据,服务器可采用此视频业务质量评价标准对视频业务质量进行量化计算,得到视频业务质量评分vMOS。表2列举了部分视频的得分计算情况,包括sLoading、sStalling、sQuality和vMOS。
表2
由于实际评价视频业务质量时,可能对视频参数的关注侧重点不同,所以评价标准可不限定,但在建立一个模型时需保证使用同一套视频业务质量评价标准进行量化,以保证样本规律的统一性。如此处也可直接以sLoading、sStalling或sQuality的分值作为视频业务质量的量化分值。
在步骤103中,对基站侧无线性能数据进行无线性能参数的提取。
具体地说,对基站侧无线性能数据进行无线性能参数的提取。其中,基站侧影响视频业务质量的主要无线性能参数为时延、吞吐率、丢包率、误块率。
在一个例子中,根据步骤101获取的无线性能数据,可以计算出时延、吞吐率、丢包率、误块率等相关无线性能参数,并采用上述无线性能参数构建特征量,对应的特征量名称及具体计算方式见表3,对于具有多个值的特征量(即上文所述的无线性能参数),为了降低特征维度防止维度灾难以及减少冗余特征量,将其统计参数作为特征量,如均值、方差、25%分位值、50%分位值、75%分位值。表3的特征量适合不同的视频业务质量评价标准,即选用不同的视频业务质量评价标准,如分别选用步骤102中的sLoading、sStalling、sQuality和vMOS作为视频业务质量评分,采用表3的特征量均能建立出较好的模型。
表3
特征名称 | 计算方式 | 统计参数 |
上行每秒吞吐率 | 上行每秒的datasize总和/时间 | 均值、方差、分位值 |
下行每秒吞吐率 | 下行每秒的datasize总和/时间 | 均值、方差、分位值 |
上/上时延 | 如表的编号3、4之间的sfn差值 | 均值、方差、分位值 |
上/下时延 | 如表的编号1、2之间的sfn差值 | 均值、方差、分位值 |
下/下时延 | 如表的编号5、6之间的sfn差值 | 均值、方差、分位值 |
下/上时延 | 如表的编号2、3之间的sfn差值 | 均值、方差、分位值 |
上行总吞吐率 | 上行datasize总和/总时间 | 均值 |
下行总吞吐率 | 下行datasize总和/总时间 | 均值 |
上行总丢包率 | 上行总丢包数/总包数量 | 均值 |
下行总丢包率 | 下行总丢包数/总包数量 | 均值 |
上行总误块率 | 上行总nack数/ack和nack总数 | 均值 |
下行总误块率 | 下行总nack数/ack和nack总数 | 均值 |
平均每秒SNR | 每秒内的SNR平均值 | 均值、方差、分位值 |
平均每秒CQI | 每秒内的CQI平均值 | 均值、方差、分位值 |
平均每秒RSRP | 每秒内的RSRP平均值 | 均值、方差、分位值 |
在步骤104中,基于预设算法训练所述基站侧的视频业务质量预测模型。
其中,所述视频业务质量预测模型的训练数据包括所述用户侧业务数据的评分和所述无线性能参数;其中,所述视频业务质量预测模型用于根据所述基站侧的无线性能参数,对用户侧视频业务质量进行实时预测。
在一个例子中,服务器将步骤103中无线性能参数和步骤102中获取的视频业务质量量化评分结合,构建出整体的数据集600组,其中,每组数据包括评分与评分对应的无线性能参数,采用以下公式对数据集进行归一化处理:
其中,所述数据集的每个样本包括多个维度的特征数据,即多维无线性能参数数据和视频业务质量量化评分,针对每个维度,xi为特征数据列的第i个原始值,(以无线性能参数时延为例,xi为第i组数据中的时延值,例如,100组样本的多个维度的特征数据包括时延,吞吐率和视频业务质量评分,则每组特征数据均包括时延值,吞吐率值和视频业务质量评分,即,100组特征数据中的时延值构成了一维特征数据列,各样本特征数据中的时延值构成了xi)xmin为所述特征数据列的最小值,xmax为所述特征数据列的最大值,xi new为归一化后的值。
对数据集进行归一化处理后,采用XGboost(Extreme gradient boosting,极限梯度提升)算法进行模型构建,构建流程如下:
(1)将数集随机划分为训练集和预测集,其中,数据集的70%共420组划分成训练集,数据集的30%共180组划分成预测集。
(2)设置XGboost模型的参数:最大迭代次数n_estimator=100,学习率learning_rate=0.3,树的最大深度max_depth=8,以及树***时采用的损失函数为均方误差MSE函数,如:
其中,X=420为所有样本个数,y1x为第x个样本的视频量化分值,c1为视频量化分值的预测值。
(3)将训练集多维无线性能参数的归一化数据作为模型输入量,将训练集的视频业务质量量化评分的归一化数据作为模型输出量,使用XGboost模型进行训练得到视频业务质量预测模型,最后用预测集验证模型的准确性。
在一个例子中,选用步骤102中的sLoading、sStalling作为视频业务质量评分,然后按以上采用XGboost算法进行模型构建的流程分别构建两个不同的视频业务质量预测模型,预测结果如图2、图3,预测结果和实际结果均吻合的较好。以sStalling作为视频业务质量评分构建的模型预测结果平均绝对百分比误差为4.65%,以sLoading作为视频业务质量评分构建的模型预测结果平均绝对百分比误差为4.97%。验证了采用不同的视频业务质量评价标准,表3的特征量均能建立出较好的模型。
在一个例子中,也可采用其它预测、回归类的算法、改进型回归、预测算法、随机森林以及神经网络等回归性算法来构建视频业务质量预测模型。
在本实施例中,提出了一种模型训练方法,根据实施例训练出来的预测模型,可以直接在基站侧实时预测出视频业务质量、预测精度高。因为构造的特征量使用于不同的视频业务质量评价标准,所以上述预测模型可以支持不同的甚至自定义的视频业务质量评价标准,可根据不同的视频业务质量评价标准在基站侧建立不同的视频业务质量预测模型,适用场景丰富且实用性强。
本申请的另一实施例涉及一种无线资源调度方法。在本实施例中,实时采集基站侧无线性能数据;对所述基站侧无线性能数据进行无线性能参数的提取;将所述无线性能参数输入预先训练的视频业务质量预测模型,得到视频业务质量预测评分;其中,所述视频业务质量预测模型根据上述实施例中的模型训练方法得到;基于所述视频业务质量预测评分,实时调整无线资源的调度。本申请实现了无线资源调度方法,可以根据视频业务质量预测结果自动优化视频业务质量,有效保障用户的观看体验。
下面对本实施例中无线资源调度方法的实现细节进行具体的说明,以下内容仅为方便理解本方案的实现细节,并非实施本方案的必须。具体流程如图4所示,可包括如下步骤:
在步骤401中,实时采集基站侧无线性能数据。
在一个例子中,在用户观看视频的过程中,服务器实时采集基站侧的无线性能数据,其中,在基站侧相应位置设置好采数点,获取的无线下能够那你数据包括但不限于:PDCP层、MAC层数据、以及SNR、RSRP、CQI等无线数据。在步骤402中,对所述基站侧无线性能数据进行无线性能参数的提取,其中,基站侧影响视频业务质量的主要无线参数为时延、吞吐率、丢包率、误块率。
在一个例子中,对于具有多个值的特征量(即上文所述的无线性能参数),为了降低特征维度防止维度灾难以及减少冗余特征量,将其统计参数作为特征量,如均值、方差、25%分位值、50%分位值、75%分位值。
在步骤403中,将所述无线性能参数输入预先训练的视频业务质量预测模型,得到视频业务质量预测评分,其中,所述视频业务质量预测模型根据上述实施例中的模型训练方法得到。
具体地说,服务器将基站侧实时提取的无线性能参数值输入到预先训练好的视频业务质量预测模型中,实时得到视频业务质量预测评分。
也就是说,上述本申请实施例中的模型训练方法,是本申请实施例中无线资源调度方法的一个预先准备过程。
在步骤404中,基于所述视频业务质量预测评分,实时调整无线资源的调度。
具体地说,在预设的评分与无线资源调度策略的对应关系中,查找与所述视频业务质量预测评分对应的无线资源调度策略,以所述查找到的无线资源调度策略,调整无线资源的调度。
在一个例子中,当视频业务质量评分低于阈值2.8时,自动调整基站侧的无线资源调度策略,包括提高用户调度优先级以降低时延;提高RB资源分配数量、提高SNR等以提高吞吐率。图5为在有无基于视频业务质量预测的无线资源调度策略的两种场景下,视频业务质量评分变化情况对比。可见相对于无视频业务质量预测模型的场景,具有视频业务质量预测模型的场景视频业务质量评分明显更优。且在分值低于2.8时,通过自动调整基站侧的无线资源调度策略以降低时延和提高吞吐率,分值迅速提升,快速的改善用户观看视频体验。结果验证了基于基站侧视频业务质量模型的视频业务质量优化方案的优越性。
在本实施例中,提出的无线资源调度方法,可以直接在基站侧实时预测出视频业务质量,预测精度高,且可以根据视频业务质量预测结果自动优化视频业务质量,有效保障用户的视频观看体验。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本申请的实施例还提供了一种模型训练装置。如图6所示,包括:采集模块601、处理模块602以及训练模块603。
具体地说,采集模块601,用于分别采集用户侧视频业务数据和基站侧无线性能数据;处理模块602,用于对所述用户侧视频业务数据进行视频业务质量量化评分,并对所述基站侧无线性能数据进行无线性能参数的提取;训练模块603,用于基于预设算法训练所述基站侧的视频业务质量预测模型;其中,所述视频业务质量预测模型的训练数据包括所述用户侧业务数据的评分和所述无线性能参数;其中,所述视频业务质量预测模型用于根据所述基站侧的无线性能参数,对用户侧视频业务质量进行实时预测。
在一个例子中,采集模块601采用开源的网络抓包工具,获取用户观看视频过程的IP数据包,通过对IP数据包的解析可以获取用于进行视频业务质量量化评分的视频相关参数;采集模块601在基站侧相应位置设置好采数点,获取无线性能数据包。
在一个例子中,处理模块602根据同一视频业务质量评价标准,对用户侧视频业务数据进行业务质量量化评分,对基站侧无线性能数据进行无线性能参数提取,并构建特征量。其中,基站侧影响视频业务质量的主要无线性能参数为时延、吞吐率、丢包率、误块率,因此,采用时延、吞吐率、丢包率、误块率及其相关参数构建特征量。
在一个例子中,在构建预测模型之前,还需将上述用户侧视频业务质量量化评分和无线性能参数结合,构建出整体的数据集,并对数据集进行归一化处理。
在一个例子中,采用XGboost算法进行模型构建,构建流程如下:
(1)将数集随机划分为训练集和预测集
(2)设置XGboost模型的参数:最大迭代次数n_estimator,学习率learning_rate,树的最大深度max_depth,以及树***时采用的损失函数为均方误差MSE函数,如:
其中,X为所有样本个数,y1x为第x个样本的视频量化分值,c1为视频量化分值的预测值。
(3)将训练集多维无线性能参数的归一化数据作为模型输入量,将训练集的视频业务质量量化评分的归一化数据作为模型输出量,使用XGboost模型进行训练得到视频业务质量预测模型,最后用预测集验证模型的准确性。
在一个例子中,也可采用其它预测、回归类的算法、改进型回归、预测算法、随机森林以及神经网络等回归性算法来构建视频业务质量预测模型。
本实施例提供的模型训练装置,训练出来的预测模型,可以直接在基站侧实时预测出视频业务质量、预测精度高。因为构造的特征量使用于不同的视频业务质量评价标准,所以上述预测模型可以支持不同的甚至自定义的视频业务质量评价标准,可根据不同的视频业务质量评价标准在基站侧建立不同的视频业务质量预测模型,适用场景丰富且实用性强。
不难发现,本实施方式为上述模型训练方法实施例相对应的装置实施例,本实施方式可与上述模型训练方法实施例互相配合实施。上述模型训练方法实施例提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在上述模型训练方法实施例中。
本申请的实施例还提供了一种无线资源调度装置。如图7所示,包括:采集模块701、提取模块702、预测模块703、以及优化模块704。
具体地说,采集模块701,用于实时采集基站侧无线性能数据;提取模块702,用于对所述基站侧无线性能数据进行无线性能参数的提取;预测模块703,用于将所述无线性能参数输入预先训练的视频业务质量预测模型,得到视频业务质量预测评分;其中,所述视频业务质量预测模型根据上述本申请实施例中的模型训练方法得到;优化模块704,用于基于所述视频业务质量预测评分,实时调整无线资源的调度。
在一个例子中,在用户观看视频的过程中,采集模块701在基站侧采集产生的无线性能数据,在基站侧设置相应的数据采集点,同时也可读取用户侧的反馈信息以获得部分无线性能数据如RSRP等。
在一个例子中,基站侧影响视频业务质量的主要无线性能参数为时延、吞吐率、丢包率、误块率。对于具有多个值的特征量(即无线性能参数),为了降低特征维度防止维度灾难以及减少冗余特征量,将其统计参数作为特征量,如均值、方差、25%分位值、50%分位值、75%分位值。
具体地说,服务器将基站侧实时提取的无线性能参数值输入到预先训练好的视频业务质量预测模型中,实时得到视频业务质量预测评分。
具体地说,在预设的评分与无线资源调度策略的对应关系中,查找与视频业务质量预测评分对应的无线资源调度策略,以查找到的无线资源调度策略,调整无线资源的调度。
在一个例子中,优化模块704可根据自定义优化目标自适应调整基站无线资源调度策略,以提高视频业务质量。
本实施例提供的无线资源调度装置,可以直接在基站侧实时预测出视频业务质量,预测精度高,且可以根据视频业务质量预测结果自动优化视频业务质量,有效保障用户的视频观看体验。
不难发现,本实施方式为上述无线资源调度方法实施例相对应的装置实施例,本实施方式可与上述无线资源调度方法实施例互相配合实施。上述无线资源调度方法实施例提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在上述无线资源调度方法实施例中。
值得一提的是,本申请上述实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本申请的创新部分,本实施方式中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本申请的实施例还提供一种电子设备,如图8所示,包括至少一个处理器801;以及,与所述至少一个处理器801通信连接的存储器802;其中,所述存储器802存储有可被所述至少一个处理器801执行的指令,所述指令被所述至少一个处理器801执行,以使所述至少一个处理器能够执行上述模型训练方法,或者,能够执行上述无线资源调度方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,***接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本申请的实施例还提供一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
上述实施例是提供给本领域普通技术人员来实现和使用本申请的,本领域普通技术人员可以在脱离本申请的发明思想的情况下,对上述实施例做出种种修改或变化,因而本申请的保护范围并不被上述实施例所限,而应该符合权利要求书所提到的创新性特征的最大范围。
Claims (13)
1.一种模型训练方法,其特征在于,包括:
分别采集用户侧视频业务数据和基站侧无线性能数据;
对所述用户侧视频业务数据进行视频业务质量量化评分,并对所述基站侧无线性能数据进行无线性能参数的提取;
基于预设算法训练所述基站侧的视频业务质量预测模型;其中,所述视频业务质量预测模型的训练数据包括所述用户侧业务数据的评分和所述无线性能参数;
其中,所述视频业务质量预测模型用于根据所述基站侧的无线性能参数,对用户侧视频业务质量进行实时预测。
2.根据权利要求1所述的模型训练方法,其特征在于,所述基于预设算法训练所述基站侧的视频业务质量预测模型,包括:
将数据集随机划分为训练集和预测集,其中,所述数据集根据所述用户侧业务数据的评分和所述无线性能参数得到;
以XGboost模型作为所述视频业务质量预测模型的初始模型,根据所述训练集对XGboost模型的参数进行训练;
根据所述预测集对训练后的所述视频业务质量预测模型的准确性进行验证。
4.根据权利要求1至3中任一项所述的模型训练方法,其特征在于,所述用户侧视频业务数据包括网络IP数据包;所述采集用户侧视频业务数据,包括:
采用网络抓包工具获取所述用户侧观看视频过程中产生的网络IP数据包;
所述对所述用户侧视频业务数据进行视频业务质量量化评分,包括:
分析所述IP数据包获取视频相关参数;
根据所述视频相关参数进行视频业务质量量化评分。
5.根据权利要求4所述的模型训练方法,其特征在于,所述视频相关参数至少包括:视频分辨率、视频码率、视频初始缓冲时长和视频播放卡顿时长;
根据所述视频相关参数进行视频业务质量量化评分,包括:
根据所述视频分辨率和所述视频码率获取视频原始信号经过采样和编码损伤后的质量评分sQuality;
根据所述视频初始缓冲时长的得分、所述视频播放卡顿时长的得分,以及sQuality,获取视频业务质量评分;其中,所述视频初始缓冲时长得分和所述视频播放卡顿时长得分均预设有分配权重。
7.根据权利要求1至3中任一项所述的模型训练方法,其特征在于,所述无线性能参数包括以下之一或其任意组合:时延、吞吐率、丢包率、误块率。
8.一种无线资源调度方法,其特征在于,包括:
实时采集基站侧无线性能数据;
对所述基站侧无线性能数据进行无线性能参数的提取;
将所述无线性能参数输入预先训练的视频业务质量预测模型,得到视频业务质量预测评分;其中,所述视频业务质量预测模型根据权利要求1至7中任一项所述的模型训练方法得到;
基于所述视频业务质量预测评分,实时调整无线资源的调度。
9.根据权利要求8所述的无线资源调度方法,其特征在于,所述基于所述视频业务质量预测评分,实时调整无线资源的调度,包括:
在预设的评分与无线资源调度策略的对应关系中,查找与所述视频业务质量预测评分对应的无线资源调度策略;
以所述查找到的无线资源调度策略,调整无线资源的调度。
10.一种模型训练装置,其特征在于,包括:
采集模块,用于分别采集用户侧视频业务数据和基站侧无线性能数据;
处理模块,用于对所述用户侧视频业务数据进行视频业务质量量化评分,并对所述基站侧无线性能数据进行无线性能参数的提取;
训练模块,用于基于预设算法训练所述基站侧的视频业务质量预测模型;其中,所述视频业务质量预测模型的训练数据包括所述用户侧业务数据的评分和所述无线性能参数;
其中,所述视频业务质量预测模型用于根据所述基站侧的无线性能参数,对用户侧视频业务质量进行实时预测。
11.一种无线资源调度装置,其特征在于,包括:
采集模块,用于实时采集基站侧无线性能数据;
提取模块,用于对所述基站侧无线性能数据进行无线性能参数的提取;
预测模块,用于将所述无线性能参数输入预先训练的视频业务质量预测模型,得到视频业务质量预测评分;其中,所述视频业务质量预测模型根据权利要求1至7中任一项所述的模型训练方法得到;
优化模块,用于基于所述视频业务质量预测评分,实时调整无线资源的调度。
12.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的模型训练方法,或能够执行如权利要求8或9所述的无线资源调度方法。
13.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的模型训练方法,或能够执行如权利要求8或9所述的无线资源调度方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144001.XA CN115884195A (zh) | 2021-09-28 | 2021-09-28 | 模型训练方法、无线资源调度方法及其装置及电子设备 |
PCT/CN2022/119910 WO2023051318A1 (zh) | 2021-09-28 | 2022-09-20 | 模型训练方法、无线资源调度方法及其装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144001.XA CN115884195A (zh) | 2021-09-28 | 2021-09-28 | 模型训练方法、无线资源调度方法及其装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115884195A true CN115884195A (zh) | 2023-03-31 |
Family
ID=85763568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111144001.XA Pending CN115884195A (zh) | 2021-09-28 | 2021-09-28 | 模型训练方法、无线资源调度方法及其装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115884195A (zh) |
WO (1) | WO2023051318A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116528274A (zh) * | 2023-07-05 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 网络质量调控方法以及相关设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105264907B (zh) * | 2013-12-30 | 2018-08-21 | 华为技术有限公司 | 移动视频业务的体验质量预测方法及基站 |
CN105049930B (zh) * | 2015-08-14 | 2018-03-06 | 浙江大学 | 基于支持向量机的无线视频流业务QoE评估方法 |
CN107015900B (zh) * | 2016-01-27 | 2019-08-06 | 中国科学院声学研究所 | 一种视频网站的服务性能预测方法 |
CN107087161B (zh) * | 2017-04-28 | 2019-05-03 | 南京邮电大学 | 视频业务中基于多层神经网络的用户体验质量的预测方法 |
CN110460880B (zh) * | 2019-08-09 | 2021-08-31 | 东北大学 | 基于粒子群和神经网络的工业无线流媒体自适应传输方法 |
CN111369042B (zh) * | 2020-02-27 | 2021-09-24 | 山东大学 | 一种基于加权联邦学习的无线业务流量预测方法 |
-
2021
- 2021-09-28 CN CN202111144001.XA patent/CN115884195A/zh active Pending
-
2022
- 2022-09-20 WO PCT/CN2022/119910 patent/WO2023051318A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116528274A (zh) * | 2023-07-05 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 网络质量调控方法以及相关设备 |
CN116528274B (zh) * | 2023-07-05 | 2023-09-22 | 腾讯科技(深圳)有限公司 | 网络质量调控方法以及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2023051318A1 (zh) | 2023-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107733705B (zh) | 一种用户体验质量评估模型建立方法及设备 | |
US20210027173A1 (en) | Indicator determining method and related device | |
US20200401945A1 (en) | Data Analysis Device and Multi-Model Co-Decision-Making System and Method | |
CN107786994B (zh) | 端到端无线业务的用户感知质差分析方法和*** | |
WO2022001918A1 (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
CN103987056A (zh) | 基于大数据统计模型的无线网络话务量预测方法 | |
US20170264749A1 (en) | CROWDSOURCING-MODE-BASED ANALYSIS METHOD FOR UTILIZATION OF WIRELESS NETWORK RESOURCES BY MOBILE Apps | |
CN112584417B (zh) | 无线业务质量确定方法、装置、计算机设备和存储介质 | |
CN111444341B (zh) | 用户画像构建方法、装置、设备及可读存储介质 | |
CN111107423A (zh) | 一种视频业务播放卡顿的识别方法和装置 | |
CN115967504A (zh) | 加密恶意流量检测方法、装置、存储介质及电子装置 | |
US9838680B2 (en) | Method and apparatus for measuring quality of experience of mobile video service | |
CN110072130A (zh) | 一种基于http/2的has视频切片推送方法 | |
WO2023051318A1 (zh) | 模型训练方法、无线资源调度方法及其装置及电子设备 | |
CN110519782B (zh) | 一种通信网多通道选择方法及装置 | |
CN116506953A (zh) | 应用于智能通信***的多信道切换方法、***及介质 | |
CN113660687B (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
CN107155192B (zh) | 一种用户体验质量评估方法及装置 | |
CN112437469A (zh) | 服务质量保障方法、装置和计算机可读存储介质 | |
WO2023045886A1 (zh) | 模型训练方法,视频用户体验预测方法,装置及电子设备 | |
CN114268961A (zh) | 模型训练方法、共享基站的调参方法、装置和设备 | |
CN110868732B (zh) | VoLTE接通无线失败的问题定位方法、***和设备 | |
CN103384374B (zh) | 一种语音业务质量的评估方法和设备 | |
EP3855752A1 (en) | Artificial intelligence based perceptual video quality assessment system | |
CN104349337B (zh) | 小区上网速度的获取方法、装置以及计算方法与装置 |
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 |