专利名称：对节目进行点播量预测和存储调度的方法
技术领域：
本发明涉及通信技术领域，尤其涉及一种对节目进行点播量预测和存储调度的方法。
背景技术：
随着网络技术的发展，全球宽度用户规模日益增加，而人们在宽带IP网络上获取的信息也越来越多的以图像、声音以及视频等格式出现。数字化技术极大的方便了视频信息的存储、传输和复制，使得数字视频内容的数量飞速增长。以V0D(Video On Demand，视频点播服务)为代表的视频多媒体点播业务因其交互性和即时性，正在迅速成为互联网的重
要应用。IPTVdnternet Protocol,网络电视)是利用宽带IP网络，以家用电视机或电脑作为终端，提供包括数字电视节目在内的多种数字媒体服务。在IPTV业务中，点播主要集中在热门节目，准确的预测出热门的节目，可以减小 IPTV系统中的内容调整代价，提高资源利用率，提升用户体验等。现有技术中的一种预测IPTV业务中的热门节目的方法主要包括根据先验知识人工对PTV业务中的各个节目的热度进行分类。上述现有技术中的预测IPTV业务中的热门节目的方法的缺点为该方法对热门节目预测的准确度和效率都比较低下。
发明内容
本发明的实施例提供了一种对节目进行点播量预测和存储调度的方法，以提高热门节目预测的准确度，并提供预测效率。一种对节目进行点播量预测和存储调度的方法，包括根据指定天之前设定数量天中的各个节目的点播量获取神经网络的输入数据；根据所述输入数据和所述指定天中的各个节目的点播量对预先建立的神经网络进行训练；根据当前天之前设定数量天中的各个节目的点播量获取训练后的神经网络的输入数据并输入到训练后的神经网络，将所述训练后的神经网络通过计算得到的输出数据作为预测出的所述当前天中的各个节目的点播量。一种对节目进行点播量预测和存储调度的装置，包括输入数据获取模块，用于根据指定天之前设定数量天中的各个节目的点播量获取神经网络的输入数据；训练处理模块，用于根据所述输入数据获取模块所获取的输入数据和所述指定天中的各个节目的点播量对预先建立的神经网络进行训练；预测处理模块，用于根据当前天之前设定数量天中的各个节目的点播量获取训练后的神经网络的输入数据并输入到训练后的神经网络，将所述训练后的神经网络通过计算得到的输出数据作为预测出的所述当前天中的各个节目的点播量。由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过采用神经网络来预测节目的点播量，进而获取各个节目的热度，由于三层神经网络可以逼近任意布尔函数的特性，从而提高热门节目预测的准确度和预测的效率。
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例一提供的一种基于神经网络的预测节目的点播量的方法的处理流程图；图2为本发明实施例二提供的一种在多个节点之间对节目进行存储调度的方法的处理流程图；图3为本发明实施例三提供的一种对节目进行点播量预测和存储调度的装置的具体结构图。
具体实施例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作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。为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。实施例一神经网络又称为误差反向传播神经网络，它不仅有输入节点、输出节点，还可以有一层以上的隐藏节点，理论上只含一个隐藏层的三层BP就可以逼近实现任意的布尔函数。 因为神经网络具有很好的非线性函数逼近能力，训练速度快等优点，因此采用神经网络进行节目的点播量的预测，可以达到很好的效果。该实施例提供的一种基于神经网络的预测节目的点播量的方法的处理流程如图1 所示，包括如下的处理步骤步骤11、确定对神经网络进行训练用的输入、输出数据，对输入数据进行预处理。针对热门节目预测，由于被预测出来的节目只有两种情况，热门或者非热门，所以本发明实施例中的神经网络的输出数据可以简化成一个二元分类模型。从点播日志历史数据库中选取指定天，以上述指定天的点播日志为基础对上述神经网络进行训练。考虑到相邻天对节目的点播量的预测的影响最大，本发明实施例分别取上述指定天的前一天、前两天和设定天的数据和作为对神经网络进行训练用的输入数据。这三个输入数据能兼顾临时增加的新节目和历史中热度高的节目，避免采用单一因素造成的误差。在本发明实施例中，上述设定天为7天。 从点播日志历史数据库中取出上述指定天和上述指定天的前7天的点播日志，统计每天中的每节目的点播量。根据所述指定天的前一天中的各个节目的点播量获取输入向量/ψΜ = 所述N为节目总数，所述t表示所述指定天；根据所述指定天的前两天中的各个节目的点播量获取输入向量
权利要求
1.一种对节目进行点播量预测和存储调度的方法，其特征在于，包括根据指定天之前设定数量天中的各个节目的点播量获取神经网络的输入数据； 根据所述输入数据和所述指定天中的各个节目的点播量对预先建立的神经网络进行训练；根据当前天之前设定数量天中的各个节目的点播量获取训练后的神经网络的输入数据并输入到训练后的神经网络，将所述训练后的神经网络通过计算得到的输出数据作为预测出的所述当前天中的各个节目的点播量。
2.根据权利要求1所述的方法，其特征在于，所述的根据指定天之前设定数量天中的各个节目的点播量获取神经网络的输入数据，包括根据所述指定天的前一天中的各个节目的点播量获取输入向量/ψΜ =为节目总数，所述t表示所述指定天；根据所述指定天的前两天中的各个节目的点播量获取输入向量=Λ O，所述Nd,t-\,NInput3 -根据所述指定天的前 X=I (.’1周中的各个节目的点播量之和获取输入向量V7 dt将所述Inputl、Input2和hput3作为对神经网络进行训练用的输入数据； 或者，对所述Inputl、Input2和hput3进行预处理，该预处理包括 对所述^putl中的每个数据值加一并取对数得到每个数据值1，将所述每个数据值1 除以所述^putl中的所有数据值的平均值得到每个数据值2，根据所述每个数据值2组成输入向量Input(I)；对所述hput2中的每个数据值加一并取对数得到每个数据值3，将所述每个数据值3 除以所述hput2中的所有数据值的平均值得到每个数据值4，根据所述每个数据值4组成输入向量化口肚⑵；对所述hput3中的每个数据值加一并取对数得到每个数据值5，将所述每个数据值5 除以所述hput3中的所有数据值的平均值得到每个数据值6，根据所述每个数据值6组成输入向量化口肚⑶；将所述^iput(I)Unput (2)和hputO)作为对神经网络进行训练用的输入数据。
3.根据权利要求2所述的方法，其特征在于，所述的根据所述输入数据和所述指定天中的各个节目的点播量对预先建立的神经网络进行训练；取神经网络的网络结构为输入层3个节点，隐藏层6个节点，输出层1个节点，输入层的3个节点对应神经网络的3个输入向量，输出层1个节点对应神经网络的1个输出向量， 使用神经网络工具箱建立神经网络并设置神经网络的参数的初始值；将所述对神经网络进行训练用的输入数据输入到所述神经网络，将训练得到的所述神经网络的输出数据和所述指定天中的各个节目的点播量进行比较，根据比较结果对所述神经网络的参数的值进行调整，将所述对神经网络进行训练用的输入数据输入到调整后的神经网络，直到训练得到的所述神经网络的输出数据和所述指定天中的各个节目的点播量之间的差别小于预定的阈值，则确定上述神经网络的训练过程结束。
4.根据权利要求3所述的方法，其特征在于，所述的根据当前天之前设定数量天中的各个节目的点播量获取训练后的神经网络的输入数据并输入到训练后的神经网络，将所述训练后的神经网络通过计算得到的输出数据作为预测出的所述当前天中的各个节目的点播量，包括根据所述当前天的前一天中的各个节目的点播量获取输入向量
5.根据权利要求1所述的方法，其特征在于，所述的方法还包括 根据所述预测出的所述当前天中的所有节目的点播量将所有节目按照点播量进行分层，按照预定的存储策略将各个层的节目在中心节点和各个边缘节点上进行差异化存储；将中心节点和每个边缘节点上存储的所有节目的总的存储代价和传输代价相加得到所有节目对应的总代价；多次改变所述所有节目的分层情况和/或改变存储策略，多次计算出所有节目对应的总代价，将最小的总代价对应的所有节目的分层情况和存储策略确定为所有节目的最终的分层情况和最终存储策略。
6.一种对节目进行点播量预测和存储调度的装置，其特征在于，包括输入数据获取模块，用于根据指定天之前设定数量天中的各个节目的点播量获取神经网络的输入数据；训练处理模块，用于根据所述输入数据获取模块所获取的输入数据和所述指定天中的各个节目的点播量对预先建立的神经网络进行训练；预测处理模块，用于根据当前天之前设定数量天中的各个节目的点播量获取训练后的神经网络的输入数据并输入到训练后的神经网络，将所述训练后的神经网络通过计算得到的输出数据作为预测出的所述当前天中的各个节目的点播量。
7.根据权利要求6所述的对节目进行点播量预测和存储调度的装置，其特征在于所述的输入数据获取模块，还用于根据所述指定天的前一天中的各个节目的点播量获取输入向量
8.根据权利要求6所述的对节目进行点播量预测和存储调度的装置，其特征在于 所述的训练处理模块，还用于取神经网络的网络结构为输入层3个节点，隐藏层6个节点，输出层1个节点，输入层的3个节点对应神经网络的3个输入向量，输出层1个节点对应神经网络的1个输出向量，使用神经网络工具箱建立神经网络并设置神经网络的参数的初始值；将所述对神经网络进行训练用的输入数据输入到所述神经网络，将训练得到的所述神经网络的输出数据和所述指定天中的各个节目的点播量进行比较，根据比较结果对所述神经网络的参数的值进行调整，将所述对神经网络进行训练用的输入数据输入到调整后的神经网络，直到训练得到的所述神经网络的输出数据和所述指定天中的各个节目的点播量之间的差别小于预定的阈值，则确定上述神经网络的训练过程结束。
9.根据权利要求6或7或8所述的对节目进行点播量预测和存储调度的装置，其特征在于所述的预测处理模块，还用于根据所述当前天的前一天中的各个节目的点播量获取输入向量Inputl ‘=dt— dtd.t-\,N，所述N为节目总数，所述t表示所述当前天根据所述当前天的前两天中的各个节目的点播量获取输入向量/ψ&2’ =dtd,t-\,N根据所述当前天的前7天中的各个节目的点播量之和获取输入向量Inputy =V7 dtΣλ将所述 hputl' , Input2 '或者通过对所述 hputl ‘ , Input2 ‘和hpUt3'进行预处理得到的hputd' ), Input (2 ‘)和hpUt(3')作为输入数据输入到训练后的神经网络，将所述训练后的神经网络通过计算得到的输出数据作为预测出的所述当前天中的各个节目的点播量。
10.根据权利要求6所述的对节目进行点播量预测和存储调度的装置，其特征在于，所述的装置还包括节目存储调度处理模块，根据所述预测出的所述当前天中的所有节目的点播量将所有节目按照点播量进行分层，按照预定的存储策略将各个层的节目在中心节点和各个边缘节点上进行差异化存储；将中心节点和每个边缘节点上存储的所有节目的总的存储代价和传输代价相加得到所有节目对应的总代价；多次改变所述所有节目的分层情况和/或改变所述存储策略，多次计算出所有节目对应的总代价，将最小的总代价对应的所有节目的分层情况和节目的存储策略确定为所有节目的最终的分层情况和最终存储策略。
全文摘要
本发明实施例提供了一种对节目进行点播量预测和存储调度的方法。该方法主要包括根据指定天之前设定数量天中的各个节目的点播量获取神经网络的输入数据；根据所述输入数据和所述指定天中的各个节目的点播量对预先建立的神经网络进行训练；根据当前天之前设定数量天中的各个节目的点播量获取训练后的神经网络的输入数据并输入到训练后的神经网络，将所述训练后的神经网络通过计算得到的输出数据作为预测出的所述当前天中的各个节目的点播量。本发明实施例通过采用神经网络来预测节目的点播量，进而获取各个节目的热度，由于三层神经网络可以逼近任意布尔函数的特性，从而提高热门节目预测的准确度和预测的效率。
文档编号H04N21/258GK102510529SQ201110310268
公开日2012年6月20日 申请日期2011年10月13日 优先权日2011年9月22日
发明者万敏, 李俊, 洪爽, 马书超 申请人:中国科学技术大学