论文总字数：28190字

摘 要

随着互联网技术的发展，视频已经成为人们生活中最重要的娱乐方式之一。根据思科的VNI全球固定和移动互联网流量预测数据，到2021年时，全球IP视频流量在所有IP流量中的比例将达到82%，其中互联网视频占51%。如此巨大的视频数据量对视频服务提供商带来了极大的挑战。同时，为了追求更高的用户体验质量（QoE），视频用户对视频质量有了更高档次的要求。因此，视频用户体验质量（QoE）的研究工作具备很重要的实际意义，对视频内容提供商来说有很好的商用价值。

首先，本文介绍了QoE预测的课题背景和相关知识。通过研究Video_ATLAS视频QoE预测机制，分析其评估性能，验证了客观视频质量评价不足以描述视频用户主观QoE的观点以及采用机器学习的方法对视频QoE预测机制的建立具有很积极的意义。同时，视频用户的近因效应对视频QoE预测也有一定的影响。然后将此视频QoE预测部署到Waterloo_QoE视频QoE数据集上，验证此预测机制的实用性。论文最后对全文进行总结，并展望下一阶段的工作。

关键词： 机器学习 用户体验质量

Video QoE prediction mechanism based on machine learning

Abstract

With the development of Internet technology, video has become one of the most important forms of entertainment in people's lives. According to Cisco's VNI global fixed and mobile Internet traffic forecast data, by 2021, the proportion of global IP video traffic in all IP traffic will reach 82%, of which Internet video accounts for 51%. This huge amount of video data poses a great challenge to video service providers. At the same time, video users also have higher quality requirements for video quality and pursue higher quality of user experience (QoE). Therefore, the research work on video user experience quality (QoE) has very important practical significance, and it has very good commercial value for video content providers.

First of all, this paper introduces the background and related knowledge of QoE prediction. By researching the Video_ATLAS video QoE prediction mechanism and analyzing its evaluation performance, it verifies that the objective video quality assessment is insufficient to describe the subjective QoE of video users and the method of machine learning has a very positive significance for the establishment of video QoE prediction mechanism. At the same time, the near-end effects of video users also have a certain impact on video QoE prediction. This video QoE prediction is then deployed to the Waterloo_QoE video QoE dataset to verify the utility of this prediction mechanism. The paper concludes with the full text and looks ahead to the next phase of work.

Keywords: machine learning; quality of experience

目录

摘 要 I

Abstract II

目录 III

第一章 绪论 1

1.1课题背景及意义 1

1.2国内外研究现状 2

1.2.1QoE影响因素研究现状 2

1.2.2QoE评价方法研究现状 3

1.3本文主要工作 3

1.4论文结构 3

第二章 相关知识介绍 5

2.1视频体验质量QoE 5

2.1.1QoS定义 5

2.1.2QoE定义 5

2.1.3QoE影响因素 5

2.1.4QoE量化方法 7

2.2客观视频质量评价 8

2.2.1峰值信噪比PSNR 9

2.2.2结构相似性SSIM 9

2.3机器学习算法 10

2.3.1支持向量回归算法 10

2.3.2随机森林算法 11

2.4本章小结 12

第三章 Video_ATLAS视频QoE预测模型研究 13

3.1 Video_ATLAS介绍 13

3.1.1输入特征 13

3.1.2模型描述 14

3.2性能评估参数 14

3.2.1.皮尔森相关系数 14

3.2.2.斯皮尔曼相关系数 14

3.3 LIVE_Netflix数据集实验 15

3.3.1回归模型实验 16

3.3.2特征重要性实验 21

3.3.3特征子集实验 22

3.4本章小结 25

第四章 基于VQA M R2特征子集的性能评价 27

4.1 Waterloo_QoE数据集 27

4.1.1 Waterloo_QoE数据库 27

4.1.2 输入特征提取 28

4.2实验设计 28

4.3实验结果分析 29

4.4本章小结 31

第五章 总结与展望 32

5.1本文小结 32

5.2进一步的展望 32

参考文献 34

致谢 36

第一章 绪论

1.1课题背景及意义

依据第41次中国互联网络发展状况统计报告[1]，截至2017年12月，我国网民规模已达7.72亿，互联网普及率为55.8%，其中手机网民规模7.53亿人，占所有网民比率达到97.5%。其中网络视频的用户人数已经达到5.78亿，手机网络视频的用户人数已经达到5.48亿。如此庞大的用户规模推动着视频业务的发展。

同时，伴随着网络技术和智能移动终端的不断发展，网络基础设施的不断完善。互联网已经成为人们获取信息的重要渠道，深刻的影响着人们的日常生活。互联网技术的发展也推动了视频业务的发展，特别是移动蜂窝技术的发展，4G网络的部署已经比较完善，使得人们可以随时随地通过智能移动终端接入互联网浏览内容，且随着网络可用带宽的不断增加，互联网高清视频得以传输，使得互联网高清视频成为人们娱乐的重要方式之一。互联网高清视频作为人们一种重要的休闲娱乐形式，人们都非常喜爱在空闲时间观看互联网视频。根据思科的VNI全球固定和移动互联网流量预测数据，到2021年时，全球IP视频流量在所有IP流量中的比例将达到82%，其中互联网视频占51%。面对如此巨大的视频数据流量，现代网络的可用带宽往往是不稳定的，导致难以提供流畅、高质量的视频内容。随着播放设备性能的提升等因素，2K、4K超高清视频得以发展，导致视频用户对观看视频内容质量有了更高的追求。因此，视频用户希望视频内容质量更高且视频业务的质量保持稳定，追求更高的体验质量。

请支付后下载全文，论文总字数：28190字