CN103945464B

CN103945464B - 参数预测处理方法

Info

Publication number: CN103945464B
Application number: CN201410184202.6A
Authority: CN
Inventors: 刘延伟; 谭倩; 韩言妮; 安伟; 慈松
Original assignee: Institute of Acoustics CAS
Current assignee: Institute of Acoustics CAS
Priority date: 2014-05-04
Filing date: 2014-05-04
Publication date: 2017-06-06
Anticipated expiration: 2034-05-04
Also published as: CN103945464A

Abstract

本发明涉及一种参数预测处理方法，包括：采集第一QoS参数数据，并对所述第一QoS参数数据进行归一化处理得到第二QoS参数数据；根据参数类别对所述第二QoS参数数据进行矩阵化处理获得QoS数据矩阵；将所述QoS数据矩阵根据Choquet积分映射处理到高维模糊测度空间，得到模糊测度系数矩阵；所述模糊测度系数矩阵中每行所有模糊测度系数值与模糊测度值乘积的和为一个对应的QoE测量值；对所述模糊测度系数矩阵及所述QoE测量值根据最小二乘法进行回归分析处理从而拟合得到模糊测度值；根据所述模糊测度值得到QoS参数与QoE之间的映射关系；利用所述映射关系由网络服务调整后的QoS参数数据得到QoE预测值。

Description

参数预测处理方法

技术领域

本发明涉及无线网络视频通信领域，具体涉及无线网络视频通信过程中的一种参数预测处理方法，特别是涉及到QoS参数到QoE的映射关系及QoE预测方法。

背景技术

传统的网络通信服务基于服务质量(Quality of Service，QoS)指标进行服务质量的评价。近些年来，通信运营商和服务提供商为了增强竞争力都在致力于终端用户体验质量的研究。服务体验质量(Quality of Experience,QoE)是一个以用户为核心的多维度的总体概念。其相对于QoS概念来说，涵盖的层面更多。对于无线视频服务来说，由于体验质量以用户的评价为标准，和视频的主观质量评价息息相关。但是主观的视频评价方法并不能直接替代QoE评价，因为QoE评价相比主观质量评价还涉及到端到端的因素，包括信源端处理、网络分发以及接收端观看条件等因素。

为了提高QoE体验质量，网络服务提供商需要从网络优化、信源质量提供、接收端显示条件等几个方面来控制服务条件的改变。由于QoE的贡献因素之间相互作用，所以单独改变一个或者几个因素很难达到整体QoE的提高。为了从网络优化角度提高用户的体验质量，研究QoS参数和QoE之间的映射关系极为重要。通过调整QoS影响因素，进而达到改变QoE的目标。

传统的QoS到QoE的映射方法主要有基于线性模型、指数模型以及多项式模型的映射方法。这些模型都考虑了QoS参数对QoE的贡献，但是都忽略了各项QoS参数之间的相互作用对QoE的贡献。现有技术中主要采用固定的映射关系，没有考虑到QoE涉及到的主观质量评价方面的因素，也就是不够灵活的适配动态的QoS-QoE映射关系，不能精确的描述动态QoS的行为如何影响QoE，因此导致视频传输中的QoE优化工作质量不高。

发明内容

本发明的目的是为了可以灵活的描述动态的QoS参数和QoE之间的关系，提高QoE预测的精度，提出了一种参数预测处理方法。

为实现上述目的，本发明提供了一种参数预测处理方法，所述方法包括以下步骤：

采集第一QoS参数数据，并对所述第一QoS参数数据进行归一化处理得到第二QoS参数数据；

根据QoS参数类别对所述第二QoS参数数据进行矩阵化处理，获得QoS数据矩阵，其中，所述QoS数据矩阵的行数据通过所述第二QoS参数数据的不同类别进行划分处理得到，所述QoS数据矩阵的列数据通过所述第二QoS参数数据同一类别处理得到；

将所述QoS数据矩阵根据Choquet积分映射处理到高维模糊测度空间，得到模糊测度系数矩阵；

所述模糊测度系数矩阵中每行所有模糊测度系数值与模糊测度值乘积的和为一个对应的QoE测量值，其中，每一个模糊测度系数值对应一个模糊测度值；

对所述模糊测度系数矩阵及所述QoE测量值，根据最小二乘法进行回归分析处理，从而拟合得到模糊测度值；

根据所述模糊测度值得到基于Choquet积分的QoS参数与QoE之间的映射关系；

利用所述映射关系由网络服务调整后的QoS参数数据得到QoE预测值。

优选的，所述对所述第一QoS参数数据进行归一化处理得到第二QoS参数数据具体为：

根据公式：对所述第一QoS参数数据进行归一化处理得到第二QoS参数数据，其中，f_i,j为第一QoS参数数据，max(f_j)为第j列的第一QoS参数数据的最大值，min(f_j)为第j列的第一QoS参数数据的最小值，f'_i，j为第二QoS参数数据,n为第一QoS参数个数，l为第一QoS参数数据的组数。

优选的，所述将所述QoS数据矩阵根据Choquet积分映射处理到高维模糊测度空间，得到模糊测度系数矩阵具体为：

根据公式：将所述QoS数据矩阵映射处理到高维模糊测度空间，得到模糊测度系数矩阵，其中对所有的j＝1,2,...,2ⁿ-1，当z_j＜0或j＝2ⁿ-1时其中是的小数部分，u_j为模糊测度值，z_j为u_j对应的模糊测度系数，f'_i，j为第二QoS参数数据。

优选的，所述对所述模糊测度系数矩阵及所述QoE测量值，根据最小二乘法进行回归分析处理，从而拟合得到模糊测度值具体为：

根据公式：对所述模糊测度系数矩阵及所述QoE测量值根据最小二乘法进行回归分析处理，从而拟合得到模糊测度值，其中u_j为模糊测度值，Y_k为QoE测量值。

优选的，所述根据所述模糊测度值得到基于Choquet积分的QoS参数与QoE之间的映射关系具体为：

根据公式：由所述模糊测度值得到基于Choquet积分的QoS参数与QoE之间的映射关系。

本发明的有益效果为：

1、本发明引入Choquet积分及模糊测度来定量的表征影响QoE的QoS参数之间的交互作用，同时更准确的描述了QoE与QoS参数之间的关系；

2、可以灵活的适配动态的QoS参数与QoE之间的映射关系，从而提高了QoE预测的精度。

附图说明

图1为本发明一实施例的参数预测处理方法的流程图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。本发明实施例的参数预测处理方法，从QoE的成因出发，综合考虑各QoS参数对QoE的贡献因素，利用Choquet积分，充分刻画不同QoS参数以及不同QoS参数组合之间的相互作用对QoE的贡献。除了考虑各个QoS参数对QoE的单独影响，还充分考虑了QoS参数之间的交互作用与QoE之间的关联，通过引入Choquet积分，可以更准确的描述QoE与QoS参数之间的关系。同时，本发明突破了现有采用QoS与QoE固定映射关系的方法对QoE预测精度的限制，可以灵活的描述动态的QoS参数和QoE之间的关系，提高QoE预测的精度。

图1为本发明一实施例的参数预测处理方法的流程图，如图所示，本实施例的参数预测处理方法具体包括以下步骤：

步骤101，采集第一QoS参数数据，并对第一QoS参数数据进行归一化处理得到第二QoS参数数据。

具体的，从实际网络中采集QoS参数数据，并对QoS参数数据进行归一化处理。同时我们利用这些QoS参数数据的配置，测量真实无线视频传输的QoE。对QoE进行5分制主观评价打分(1代表最差，5代表最好)，得到不同QoS参数配置下的平均主观意见分数。QoE评分量化标准如表1。表1

平均意见分	视频质量分级	损伤程度分级
			5	优秀	不察觉失真
4	好	刚察觉失真，但不厌烦
			3	一般	察觉到失真，稍微厌烦
2	不好	厌烦，但不令人反感
			1	差	极其厌烦，且令人反感

采集到的QoS参数数据和相关的QoE评价数据可以排列成如表2所示。其中，f_i,j表示第j列的第i个QoS参数数据，n表示采集的QoS参数个数,l表示采集QoS参数数据的组数，向量Y表示不同的QoE值。

表2

由于不同类别的QoS参数的数值单位和取值范围不一样，例如，有的数据包到达时间间隔为10^-3数量级，而对应数据包的平均大小为10²数量级，因此为了消除量纲不一致带来的影响，每一个QoS参数数据首先都要作归一化处理，把不同类别的QoS参数数据统一到一个参考系下。在数据采集过程中，具体收集一些影响QoS指标的QoS参数数据，例如信道的误比特率、网络的符号发送速率、视频编码码率、传送时延、数据包的大小、数据的丢包率等。

我们采用如下基于最大值与最小值的归一化方法对步骤101中采集的第一QoS参数数据进行预处理，将数据取值限制在[0,1]的范围内。

其中，f_i,j为第一QoS参数数据，max(f_j)为第j列的第一QoS参数数据的最大值，min(f_j)为第j列的第一QoS参数数据的最小值，f'_i，j为第二QoS参数数据。

步骤102，根据QoS参数类别对第二QoS参数数据进行矩阵化处理，获得QoS数据矩阵，其中，QoS数据矩阵的行数据通过第二QoS参数数据的不同参数类别进行划分处理得到，QoS数据矩阵的列数据通过第二QoS参数数据同一参数类别处理得到。

具体的，根据QoS参数的数据类别将上一步骤中经过归一化处理得到的第二QoS参数数据进行矩阵化处理，从而得到QoS数据矩阵。其中，QoS参数类别具体为信道的误比特率、网络的符号发送速率、视频编码码率、传送时延、数据包的大小、数据的丢包率等。

QoS数据矩阵的行数据属于不同参数类别的第二QoS参数数据，QoS数据矩阵的列数据属于同一参数类别的第二QoS参数数据，其中QoS数据矩阵大小为l×n。

步骤103，将QoS数据矩阵根据Choquet积分映射处理到高维模糊测度空间，得到模糊测度系数矩阵。

具体的，根据Choquet积分，将采集到的大小为l×n的QoS数据矩阵映射到高维模糊测度空间，即变换成大小为l×(2ⁿ-1)的数据矩阵，从而将非线性非可加积分变换为线性可加积分，为下一个步骤做准备。

对于Choquet积分，它可以两个向量的乘积来表示：

其中，对所有的j＝1,2,...,2ⁿ-1，当z_j＜0或j＝2ⁿ-1时，

其它情况下，z_j＝0。

其中，的小数部分。u为定义在高维模糊测度空间上针对QoS参数的模糊测度值。z_j为u_j对应的模糊测度系数。

为了更好的说明上述过程，下面给出了一个简单的数据变换示例。

如表3所示，用x₁、x₂、x₃表示视频传输业务的3个QoS参数数据，如表4所示，表格中的数据为经过Choquet积分变换后的分别与以下7种模糊测度u({x₁})、u({x₂})、u({x₃})、u({x₁,x₂})、u({x₁,x₃})、u({x₂,x₃})和u({x₁,x₂,x₃})相对应的模糊测度系数值，其中，模糊测度u表示不同QoS参数对QoE的贡献，例如u({x₁})表示QoS参数x₁对QoE的贡献，u({x_i,x_j})表示参数x_i和x_j的交互作用对QoE的贡献，其中，i≠j,i≥1,j≤3。注意u({x_i,x_j})和u({x_j,x_i})表示相同的模糊测度，即x_i和x_j的交互作用对QoE的影响相同。因此，该步骤中不但考虑了各个QoS参数对QoE的单独影响，还充分考虑了QoS参数之间的交互作用与QoE之间的关联。

表3


			2	3	10
3	8	4
			-2	-5	-6

表4


							0	0	0	7	0	1	2
0	4	0	0	0	1	3
							3	0	1	0	0	0	6

步骤104，模糊测度系数矩阵中每行所有模糊测度系数值与模糊测度值乘积的和为一个对应的QoE测量值，其中，每一个模糊测度系数值对应一个模糊测度值。

具体的，根据Choquet积分定义，经过上一步骤得到的表4中的数据，第一行的数据的Choquet积分可以表示为，

Y＝(c)∫fdu＝7·u({x₃})+1·u({x₂,x₃})+2·u({x₁,x₂,x₃})

其中，Y为QoE测量值，由上式可以看出，只有三个模糊测度u({x₃})、u({x₂,x₃})和u({x₁,x₂,x₃})对QoE最终的性能产生影响。同理，由表4的第二行数据可以看出u({x₂})、u({x₂,x₃})和u({x₁,x₂,x₃})对QoE最终的性能产生影响，第三行数据可以看出u({x₁})、u({x₁,x₂})和u({x₁,x₂,x₃})对QoE最终的性能产生影响。

从上述描述可以看出，Choquet积分包含这样一个显著的特性，即目标变量和系统参量之间的相互作用可以通过一组模糊测度来合理的反映。因而，应用Choquet积分的主要问题在于如何确定QoS变量集合上定义的模糊测度，即如何确定不同QoS参数和不同QoS参数组合对QoE的贡献。

步骤105，对模糊测度系数矩阵及QoE测量值，根据最小二乘法进行回归分析处理，从而拟合得到模糊测度值。

具体的，针对视频传输业务，不同QoS参数以及不同QoS参数的组合对用户的QoE影响并不一样。故我们可以采用标准最小二乘法对Choquet积分后得到的大小为l×(2ⁿ-1)的模糊测度系数矩阵以及相应的QoE测量值进行回归分析，通过最小化平方和误差来寻找数据的最佳函数匹配，拟合求出各个模糊测度值。最小平方和回归方程的残差δ²可以由下式得到：

其中u_j,为模糊测度值,Y_k为QoE测量值，将上一步骤得到的QoE测量值代入上述公式，最终求得满足回归误差δ²小于0.001时的模糊测度值。

步骤106，根据模糊测度值得到基于Choquet积分的QoS参数与QoE之间的映射关系。

具体的，根据步骤105得到的模糊测度值，QoE可以表示为QoS参数形成的模糊测度与模糊测度系数的乘积和的形式，也就是得到基于Choquet积分的QoS参数与QoE之间的映射关系，根据以下公式实现：

其中为由步骤105最小平方和回归方程得到的模糊测度值。

步骤107，利用所述映射关系由网络服务调整后的QoS参数数据得到QoE预测值。

具体的，当调整网络QoS参数或者应用层的QoS参数时，我们通过提取它包含的参数值，即x₁,x₂,...,x_n,首先根据第一步骤，对其进行归一化处理，变换到[0,1]区间。假设归一化后的数据为x'₁,x'₂,...,x'_n，然后根据第二步骤，对归一化后的参数数据进行Choquet积分变换，将其映射到高维模糊空间，由非线性非可加积分变换为线性可加积分，假设映射后的新的模糊测度系数为根据公式：

利用步骤106得到的基于Choquet积分的QoS与QoE之间映射关系即可得到相应的QoE预测值。

本发明实施例参数预测处理方法只需要获取视频传输系统QoS参数数据，而这些数据通常很容易从设备驱动或网络管理协议栈中获取。并且整个QoS与QoE映射关系的推断过程是可以在线下完成的，不需要存储大量的数据样本，只需要存储求出的QoE预测使用的模糊测度值即可。因此，在计算和存储方面，基于模糊测度分析的QoS参数与QoE映射是非常高效的。本发明引入Choquet积分和模糊测度来定量的表征影响QoE的QoS参数之间的交互作用，进而更准确的描述了QoE与QoS参数之间的关系，同时可以灵活的适配动态的QoS参数与QoE之间的映射关系，从而提高了QoE预测的精度。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种参数预测处理方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述对所述第一QoS参数数据进行归一化处理得到第二QoS参数数据具体为：

根据公式：对所述第一QoS参数数据进行归一化处理得到第二QoS参数数据，其中，f_i,j为第一QoS参数数据，max(f_j)为第j列的第一QoS参数数据的最大值，min(f_j)为第j列的第一QoS参数数据的最小值，f′_i，j为第二QoS参数数据,n为第一QoS参数数据的个数，l为第一QoS参数数据的组数。

3.根据权利要求1所述的方法，其特征在于，所述将所述QoS数据矩阵根据Choquet积分映射处理到高维模糊测度空间，得到模糊测度系数矩阵具体为：

根据公式：将所述QoS数据矩阵映射处理到高维模糊测度空间，得到模糊测度系数矩阵，其中对所有的j＝1,2,...,2ⁿ-1，当z_j＜0或j＝2ⁿ-1时其中是的小数部分，u_j为模糊测度值，z_j为u_j对应的模糊测度系数，f′_i,j为第二QoS参数数据。

4.根据权利要求1所述的方法，其特征在于，所述对所述模糊测度系数矩阵及所述QoE测量值，根据最小二乘法进行回归分析处理，从而拟合得到模糊测度值具体为：

根据公式：对所述模糊测度系数矩阵及所述QoE测量值根据最小二乘法进行回归分析处理，从而拟合得到模糊测度值，其中u_j为模糊测度值，Y_k为QoE测量值，l表示采集QoS参数数据的组数，j表示列数j＝1,2,...,2ⁿ-1，z_kj表示模糊测度系数矩阵中第k行第j列的模糊测度系数。

5.根据权利要求1所述的方法，其特征在于，所述根据所述模糊测度值得到基于Choquet积分的QoS参数与QoE之间的映射关系具体为：

根据公式：由所述模糊测度值得到基于Choquet积分的QoS参数与QoE之间的映射关系，其中，j表示列数j＝1,2,...,2ⁿ-1，u_j表示模糊测度值，z_j表示为u_j对应的模糊测度系数。