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与流程

本发明涉及用户体验质量预测，特别涉及视频业务中基于多层神经网络的用户体验质量预测方法。

背景技术：

互联网技术的快速发展使得人们可以访问各种多媒体服务，特别地，现在iptv提供各种服务，使得人们的生活变得丰富多彩。但另一方面，服务提供商和网络运营商则更加关心所提供视频服务的质量，即所观看视频的iptv用户体验究竟如何。这使得用户体验质量的预测评价成为服务提供商和网络运营商所关注的热点。用户体验质量(qoe)的定义是“终端用户感知的应用或服务的总体可接受性”。qoe不仅受到服务本身的影响，而且还受用户所处的环境的影响。由于机器学习具有智能化地解决大数据信息处理的能力，其可以应用于iptv用户体验质量的预测。然而，传统的机器学习方法，如支持向量机、决策树等的预测性能十分有限，无法准确地完成该任务，因而需要设计新型的模型及预测方法，完成iptv用户体验质量的预测及提升。

技术实现要素：

本发明的目的在于针对上述问题，提出一种基于多层神经网络的用户体验质量的预测方法，以准确、高效地预测iptv用户体验质量。

为此目的，本发明采用的技术方案为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，具体包括如下步骤：

步骤1：数据预处理：选择视频业务中影响用户体验的特征参数，根据用户的报障/非报障，将其映射为用户的qoe，当qoe为1时，表示用户对所用业务满意，而当qoe为0时，用户不满意；

步骤2：建立多层神经网络的qoe预测模型：该神经网络包含五层，从低到高依次为：输入层—第一隐层—第二隐层—第三隐层—输出层，多层神经网络的第l层的第i个神经元的输出为：

在上式中，表示神经网络的第l层的第i个神经元的输出，表示神经网络的第l-1层的输出，表示第l层的第i个神经元的权重，表示第l层第i个神经元的的偏差，f(·)表示激活函数；

步骤3：训练qoe预测模型：输入预处理后的数据，获得模型的最佳参数值，训练步骤2建立好的神经网络模型；

步骤4：完成用户体验质量qoe预测，具体包含：

(4-1)对于未知用户体验质量的数据，首先根据步骤1完成预处理，得到需要的特征数据集；

(4-2)将该特征数据集作为输入，代入训练好的多层神经网络分类器，得到预测结果。

进一步，作为优选，上述特征参数可以包含警告次数、损失率、出口下载带宽、媒介速率、延时、媒体丢失率、cpu使用率、视频传输质量。

作为优选，上述五层神经网络各自包含的神经元数量各自为：输入层有10个神经元，第一隐层有30个神经元，第二隐层有100个神经元，第三隐层有50个神经元，输出层是1个神经元。

上述激活函数采用的是relu函数：

其中，z是输入数值。

步骤3的具体过程如下：

(3-1)确定dropdout比例为0.2，

其中，是服从概率为p的伯努利分布，此处p也就是dropout比例，则,第l-1层的输出变为所以第l层的第i个神经元的输出为

(3-2)确定学习率α为0.1，其是用来控制sgd算法的步长；

(3-3)初始化每一层输入数据的权重，即说明第l-1层有m个输出，初始化每一层偏差，其中，n为第l层神经元的个数，均服从正态分布，此外，令迭代次数m＝1，设定总迭代次数为m；

(3-4)开始迭代，每次选取每个样本，采用基于随机梯度下降法的后向传播算法得到步骤2确定的模型中的参数，训练得出新的模型，该模型的输出为0或1；

(3-5)计算上述样本在当前模型中的损失函数：

其中，表示神经网络的第l层的第i个神经元的输出，表示实际的输出值，m表示样本总个数；

(3-6)更新权重w'j，其计算公式如下：

其中，α表示学习率，即用于控制wj更新的步长，调整合适的学习率，可以实现对模型的优化，此模型中，学习率设为0.2；

(3-7)判断是否终止迭代，如果m<m，则跳转到步骤(3-3)，迭代次数加1(m＝m+1)，继续下一次迭代；否则，终止迭代，输出权重w，偏差b；完成多层神经网络分类器的训练过程。

本发明具有以下有益效果：

1.本发明对数据进行预处理，选取重要的特征属性，综合考虑各种参数，可以使模型预测的视频质量真正接近用户对视频质量的主观体验，有助于更好的预测用户体验质量，有利于及时准确反馈结果，从而帮助服务提供商和网络运营商不断完善视频业务和传输服务。

2.本发明提出的多层神经网络模型，高效处理非均衡数据集，有效提高预测的准确度。

附图说明

图1为基于多层神经网络的用户体验质量的预测方法流程图。

图2为多层神经网络结构图。

图3为加入dropout后的多层神经网络结构图。

图4为yeast1数据集下，mnn，svm，dt三种算法的qoe预测准确度对比图。

图5为qoe预测数据集下，mnn，svm，dt三种算法的qoe预测准确率对比图。

图6为不同的sgd学习率下的准确率示意图。

具体实施方式

下面结合说明书附图和具体实例对本发明作进一步的详细说明。

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，本方法，如图1所示，包括如下步骤：

步骤1：数据预处理：选择视频业务中影响用户体验的的特征参数，其包含警告次数、损失率、出口下载带宽、媒介速率、延时、媒体丢失率、cpu使用率、视频传输质量。此外，根据视频业务中用户的报障/非报障，将其映射为用户的qoe，当qoe为1时，表示用户对所用业务满意，而当qoe为0时，用户不满意；

步骤2：建立qoe预测模型：这里采用的是多层神经网络模型。该神经网络包含五层，如图2所示，从低到高排序：输入层—第一隐层—第二隐层—第三隐层—输出层，其中，输入层有10个神经元，第一隐层有30个神经元，第二隐层有100个神经元，第三隐层有50个神经元，输出层是1个神经元。多层神经网络的第l层的第i个神经元的输出为：

在上式中，表示神经网络的第l层的第i个神经元的输出，表示神经网络的第l-1层的输出，表示第l层的第i个神经元的权重，表示第l层第i个神经元的的偏差。f(·)表示激活函数，在这里采用的是relu函数：

其中，z是输入数值，即

步骤3：训练qoe预测模型：输入预处理后的数据，采用基于随机梯度下降(stochasticgradientdescent，简称sgd)的后向传播(backpropagation，简称bp)方法获得模型的最佳参数值，训练步骤2建立好的神经网络模型，加入dropout后的多层神经网络结构如图3所示，其具体过程如下：

(3-1)确定dropdout比例为0.2，

其中，是服从概率为p的伯努利分布，此处p也就是dropout比例，则第l-1层的输出变为所以第l层的第i个神经元的输出为

(3-2)确定学习率α为0.1，其是用来控制sgd算法的步长；

(3-3)初始化每一层输入数据的权重，即说明第l-1层有m个输出。初始化每一层偏差，其中，n为第l层神经元的个数。均服从正态分布。此外，令迭代次数m＝1，设定总迭代次数为m；

(3-4)开始迭代，每次选取每个样本，采用基于随机梯度下降法(sgd)的后向传播(bp)算法得到步骤2确定的模型中的参数，训练得出新的模型，需要说明的是该模型的输出为0或1；

(3-5)计算上述样本在当前模型中的损失函数：

其中，表示神经网络的第l层的第i个神经元的输出，表示实际的输出值，m表示样本总个数。

(3-6)更新权重w'j，其计算公式如下：

其中，α表示学习率，即用于控制wj更新的步长，调整合适的学习率，可以实现对模型的优化。此模型中，学习率设为0.2；

(3-7)判断是否终止迭代。如果m<m，则跳转到步骤(3-3)，迭代次数加1(m＝m+1)，继续下一次迭代；否则，终止迭代，输出权重w，偏差b；完成多层神经网络分类器的训练过程；

步骤4：完成用户体验质量qoe预测。

(4-1)对于未知用户体验质量的数据，首先根据步骤1完成预处理，得到需要的特征数据集；

(4-2)将特征数据集作为输入，带入训练好的多层神经网络分类器，得到预测结果。

按上述流程进行实验，首先进行数据预处理，确定特征属性参数，而后建立模型，再采用多层神经网络模型完成训练和预测。所采用的数据集包括标准数据集yeast1，及机顶盒采集的不同用户的数据记录。通过步骤3完成模型的训练，根据基于sgd的bp算法，获取模型中所需的最佳参数——权重w与偏差b，从而训练出预测模型。同时，在训练阶段采用dropout的方法，随机适当的关闭一些神经元节点。通过步骤4进行预测。利用十折交叉验证法，轮流使用其中的9组数据做训练样本，其余一个为测试样本。最后得到模型的准确率。为了分析结果，采用准确率来对比本发明方法和两种具有代表性的现有方法——支持向量机(svm)和决策树(dt)预测性能。

图4对比了多层神经网络(本发明方法)，svm，和dt算法在不平衡数据集yeast1下的准确率，yeast1数据集包含1484个样本集，每个样本包含8个特征，采用的不平衡率为2.46。从图中可看出，本方法采用的算法比其他两种算法的性能更好，其准确率更高。这说明本发明方法在一定程度上提高了不平衡数据集的预测准确度。

图5对比了多层神经网络mnn(本发明方法)，svm，和dt算法在机顶盒采集的不平衡数据集下的准确率，在该算法中，采用五层网络，(从低到高排序：输入层—第一隐层—第二隐层—第三隐层—输出层)，其中，输入层有10个神经元，第一隐层有30个神经元，第二隐层有100个神经元，第三隐层有50个神经元，输出层是1个神经元。在输入层和第一隐层设置dropout的比率为0.2。与svm，dt方法相比，本方法的预测准确率更高。

图6显示了不同的sgd学习率，会导致预测的准确率变化，由图中可看出，当学习率为0.1时，准确率达到最高，为80.5％。

需要说明的是，以上实施方式仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明所限定的范围。