CN104796443B - 一种移动流媒体用户体验质量QoE修正方法和服务器 - Google Patents

一种移动流媒体用户体验质量QoE修正方法和服务器 Download PDF

Info

Publication number
CN104796443B
CN104796443B CN201410023600.XA CN201410023600A CN104796443B CN 104796443 B CN104796443 B CN 104796443B CN 201410023600 A CN201410023600 A CN 201410023600A CN 104796443 B CN104796443 B CN 104796443B
Authority
CN
China
Prior art keywords
user
qoe
video
pic
personal
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.)
Active
Application number
CN201410023600.XA
Other languages
English (en)
Other versions
CN104796443A (zh
Inventor
陈坚
吴文峰
王德政
申山宏
程少飞
周晶
刘智江
由李艳
周文安
赵立
华孟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTE Corp
Original Assignee
ZTE Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZTE Corp filed Critical ZTE Corp
Priority to CN201410023600.XA priority Critical patent/CN104796443B/zh
Priority to PCT/CN2014/083088 priority patent/WO2015106557A1/zh
Publication of CN104796443A publication Critical patent/CN104796443A/zh
Application granted granted Critical
Publication of CN104796443B publication Critical patent/CN104796443B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/508—Network service management, e.g. ensuring proper service fulfilment according to agreements based on type of value added network service under agreement
    • H04L41/509—Network service management, e.g. ensuring proper service fulfilment according to agreements based on type of value added network service under agreement wherein the managed service relates to media content delivery, e.g. audio, video or TV
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2425—Traffic characterised by specific attributes, e.g. priority or QoS for supporting services specification, e.g. SLA
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/80—Responding to QoS
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
    • H04N21/647—Control signaling between network components and server or clients; Network processes for video distribution between server and clients, e.g. controlling the quality of the video stream, by dropping packets, protecting content from unauthorised alteration within the network, monitoring of network load, bridging between two different networks, e.g. between IP and wireless

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Computer Security & Cryptography (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明公开了一种移动流媒体用户体验质量QoE修正方法和服务器，接收用户行为数据和当前视频损伤数据；根据用户行为数据得到对个人QoE的影响值；根据当前视频损伤数据得到初始用户体验质量QoEinit；根据对个人QoE的影响值和初始用户体验质量QoEinit得到修正个人用户体验质量QoEfinal。本发明充分考虑了用户主观层面上用户对视频的期望程度以及用户情绪对用户个人体验质量的影响，克服了现有方法没有或很少考虑用户主观感受的弊端，同时加入用户个人主观层面的视频期望以及用户情绪，降低了QoE评价的大众化，使得得到的QoE能够更准确地针对用户个人。

Description

一种移动流媒体用户体验质量QoE修正方法和服务器
技术领域
本发明涉及无线网络通信领域的用户体验质量的评价和管理，尤其涉及一种移动流媒体用户体验质量QoE修正的方法。
背景技术
随着移动通信技术的不断发展，移动流媒体业务的需求呈爆炸式地增长，其性能评估的重要性也日益突出。
用户体验质量(Quality of Experience，QoE)是用户端到端的概念，它是从用户的角度来衡量业务的优劣，是用户对当前网络、业务质量及性能的综合主观感受。HTTPStreaming技术的发展是为了提升用户的业务体验，因此，用户体验质量（QoE）是衡量HTTP流媒体业务性能的核心指标。
基于HTTP协议的流媒体服务不同于传统基于UDP协议的流媒体服务。由于底层使用了可靠的TCP协议，视频质量下降的原因主要在于重传的包到达太迟造成的视频需要填充空缓冲区，因此影响基于HTTP协议的视频服务性能的网络层因素主要是时延、丢包以及网络带宽，应用层因素主要是初始缓冲与再缓冲等时间因素。目前，评价移动流媒体业务的用户体验质量有主观以及客观两种方法：
（1）主观质量评价，即参与测试的人员对进行测试的受损视频片段进行打分，主观评价视频质量以此来评价业务质量的好坏，典型的包括单刺激连续质量评价方法（SingleStimulus Continuous Quality Evaluation,SSCQE）、双刺激连续质量标度方法（theDouble-Stimulus Continuous Quality-Scale method,DSCQS）以及双刺激损伤标度方法（the Double Stimulus Impairment Scale method,DSIS）。主观评价由于直接反应人的主观感受，所以准确性高，但此评价方法不适用于实时评价，且该方法需耗费大量的人力、物力，工作量巨大且较为耗时，总体来说不易实施。
（2）客观质量评价，即针对视频数据建立数学模型，经过一系列的计算得到反映视频质量的参数，得到最终评价结果，根据对原始参考视频的引用程度分为全参考（FullReference,FR）、部分参考(Reduced Reference,RR)以及无参考(No Reference,NR)三种视频质量评价方法。常见的峰值信噪比（Peak Signal to Noise Ratio，PSNR）、均方根误差（Mean Square Error，MSE）等全参考评价以及部分参考评价需要引用源视频全部或部分信息，因此不适用于在网络中传输的HTTP流媒体业务。相比之下，无参考评价方法不需引用源视频，仅根据受损视频本身特征进行评估，因此成为学术界研究的重点。但目前的无参考评价方法仍不完善，如何有效地将可量化、可度量的QoS参数与QoE进行映射还需要深入研究。另外，用户体验质量不仅取决于网络层，还包括了应用层、用户层以及业务层等多方面的因素，因此，单纯的客观评价方法并没有能够很好的将人的主观感受体现出来，无法很好地贴近用户的感知。如何有效地将主观评价与客观评价相结合，仍有待深入的研究。
现有的相关专利和相关论文中，大多数人通过网络层直接进行QoS和QoE之间的映射，但这样只考虑了网络因素忽略其他层面对QoE的影响；有的通过网络层与应用层的结合进行缓存区状态的预测，此方法可以很好地预测QoE是否即将降低但无法直接预测得具体的QoE值；有的考虑到了用户层用户操作行为对缓存区的影响，但并未考虑到用户的行为反应出的用户心理，而无法应用用户层参数得到QoE。根据以上分析，可得网络层、应用层以及用户层三层之间与QoE的关系如图1所示。继而再次基础上进一步分析如何使用用户层信息进行QoE的评价。
用户体验质量是比较主观化和个体化的，它受很多方面的因素影响。我们可以看到，目前已有的评价都只考虑了影响QoE的部分因素，有的仅是进行单一的QoS与QoE的映射，有的直接将QoE简化成缓冲区的状态。而用户在观影过程中，会产生诸如暂停、改变分辨率以及退出等一系列操作行为，这些行为有的可能会对流媒体业务质量造成一定影响，有的可能会表达出用户某些心理状态，而现有的评价方法往往将场景理想化，假设网络条件不变，以及忽略用户在观影过程中的操作行为对流媒体业务质量的影响，这与用户实际使用环境有较大的偏差，因此最终的评价结果容易与用户实际体验质量不一致。
发明内容
本发明针对基于HTTP协议的移动流媒体业务中对QoE的评价偏差较大，提出一种移动流媒体用户体验质量QoE修正方法和服务器，修正用户个性化的QoE评价。
为了解决上述问题，本发明提供一种移动流媒体用户体验质量QoE修正方法，该方法包括：
接收用户行为数据和当前视频损伤数据；
根据所述用户行为数据得到对个人QoE的影响值；
根据所述当前视频损伤数据得到初始用户体验质量QoEinit；
根据所述对个人QoE的影响值和所述初始用户体验质量QoEinit得到修正个人用户体验质量QoEfinal。
优选地，所述方法还包括：
所述对个人QoE的影响值包括：流畅度对所述个人QoE的第一影响值Et和清晰度对所述个人QoE的第二影响值Ep；
根据所述用户行为数据得到对个人QoE的影响值的步骤包括：
根据所述用户行为数据，建立用户行为表，根据所述用户行为表计算出所述Et和Ep。
优选地，所述方法还包括：
所述用户行为表包括：
Lqti,，Lqtr，Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度及平均再缓冲频率程度；
Npause，表示本次观看视频用户被动暂停的总次数；
time表示播放的视频长度；
根据所述用户行为表计算出所述Et和Ep的步骤包括：
所述Et=<uID,{(C1,E1t);(C2,E2t);…(Cn,Ent)}>；
其中，Eit（1≤i≤n）表示某类视频Ci流畅度对该用户个人QoE的影响值，1≤Eit≤0；
Eit=e1Iit+e2M(Lpause)；
其中，Iit=I(Lqti,Lqtr,Lqfr)表示用户被动退出行为对QoE的影响值；M(Lpause)表示用户被动暂停行为对QoE的影响值；e1+e2=1，e1、e2分别表示用户被动退出行为以及被动暂停行为对此次观看视频QoE的影响值系数；
当用户冷启动时，Iit=0，此时Eit=e2M(Lpause)；
Iit=-1+(u1Lqti+u2Lqfr+u3Lqtr)/3，（-1≤Iit≤0）；
其中，Lqti,Lqtr,Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度以及平均再缓冲频率程度；u1+u2+u3≤1；
M(Lpause)=e-vLpause-1，(-1≤M(Lpause)≤0)，
其中，Npause表示本次观看视频用户被动暂停的总次数；time表示播放的视频长度；
所述Ep=<uID,{(C1,E1p);(C2,E2p);…(Cn,Enp)}>；
其中，Eip（1≤i≤n）表示某类视频Ci清晰度对用户个人QoE的影响值，-1≤Eip≤1；
Eip=n1Iip+n2M(Npic)；
其中，Iip=I(Fpic_in)表示用户对视频清晰度的历史期望对其QoE的影响值；M(Npic)表示该视频清晰度致使的用户情绪对QoE的影响值；n1+n2=1,n1、n2分别表示用户对该类视频清晰度的历史期望以及当前情绪对个人QoE的影响值系数；
当用户冷启动时，Iip=0，此时Eip=n2M(Npic)；
Iip=kFpic_in，（-1≤Iip≤0）；
其中，Npic_in_Ci表示观看Ci类别的视频时，用户进行过“增大分辨率”行为的视频数量；表示用户观看Ci类别的视频的总数目；k<0；
M(Npic)=w(Npic_in-Npic_de)，(-1≤M(Npic)≤1)；
其中，Npic_in表示此次观看视频时增大分辨率的次数；Npic_de表示此次观看视频时降低分辨率的次数。
优选地，所述方法还包括：
所述当前视频损伤数据包括：初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf；
所述再缓冲时长Trebuf为视频自动暂停或自动退出时的再缓冲时长；
若视频缓存区能维持视频继续播放，则判断暂停或退出为自动暂停或自动退出；
根据所述当前视频损伤数据得到初始用户体验质量QoEinit的步骤包括：
根据接收所述初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf得到初始用户体验质量QoEinit。
优选地，所述方法还包括：
根据所述对个人QoE的影响值和所述初始用户体验质量QoEinit得到修正用户体验质量QoEfinal的步骤包括：
根据所述Et、Ep和QoEinit得到QoEfinal：
QoEfinal=QoEinit+m1Et+m2Ep；
其中，-1≤Et≤0，-1≤Ep≤1，m1+m2=1，m1、m2分别为Et、Ep的权重系数。
为了解决上述问题，本发明还提供一种移动流媒体用户体验质量QoE修正的服务器，所述服务器包括：
所述数据接收模块，用于接收用户行为数据和当前视频损伤数据；
所述用户行为记录模块，用于根据所述用户行为数据得到对个人QoE的影响值；
所述QoE初始评价模块，用于根据所述当前视频损伤数据得到初始用户体验质量QoEinit；
所述QoE修正模块，用于根据所述对个人QoE的影响值和所述初始用户体验质量QoEinit得到修正用户体验质量QoEfinal。
优选地，所述服务器还具有以下特点：
所述对个人QoE的影响值包括：流畅度对所述个人QoE的第一影响值Et和清晰度对所述个人QoE的第二影响值Ep；
所述用户行为记录模块，用于根据所述用户行为数据得到对个人QoE的影响值是指：
所述用户行为记录模块，用于根据所述用户行为数据，建立用户行为表，根据所述用户行为表计算出所述Et和Ep。
优选地，所述服务器还具有以下特点：
所述用户行为表包括：
Lqti,，Lqtr，Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度及平均再缓冲频率程度；
Npause，表示本次观看视频用户被动暂停的总次数；
time表示播放的视频长度；
根据所述用户行为表计算出所述Et和Ep的步骤包括：
所述Et=<uID,{(C1,E1t);(C2,E2t);…(Cn,Ent)}>；
其中，Eit（1≤i≤n）表示某类视频Ci流畅度对该用户个人QoE的影响值，1≤Eit≤0；
Eit=e1Iit+e2M(Lpause)；
其中，Iit=I(Lqti,Lqtr,Lqfr)表示用户被动退出行为对QoE的影响值；M(Lpause)表示用户被动暂停行为对QoE的影响值；e1+e2=1，e1、e2分别表示用户被动退出行为以及被动暂停行为对此次观看视频QoE的影响值系数；
当用户冷启动时，Iit=0，此时Eit=e2M(Lpause)；
Iit=-1+(u1Lqti+u2Lqfr+u3Lqtr)/3，（-1≤Iit≤0）；
其中，Lqti,Lqtr,Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度以及平均再缓冲频率程度；u1+u2+u3≤1；
M(Lpause)=e-vLpause-1，(-1≤M(Lpause)≤0)，
其中，Npause表示本次观看视频用户被动暂停的总次数；time表示播放的视频长度；
所述Ep=<uID,{(C1,E1p);(C2,E2p);…(Cn,Enp)}>；
其中，Eip（1≤i≤n）表示某类视频Ci清晰度对用户个人QoE的影响值，-1≤Eip≤1；
Eip=n1Iip+n2M(Npic)；
其中，Iip=I(Fpic_in)表示用户对视频清晰度的历史期望对其QoE的影响值；M(Npic)表示该视频清晰度致使的用户情绪对QoE的影响值；n1+n2=1,n1、n2分别表示用户对该类视频清晰度的历史期望以及当前情绪对个人QoE的影响值系数；
当用户冷启动时，Iip=0，此时Eip=n2M(Npic)；
Iip=kFpic_in，（-1≤Iip≤0）；
其中，Npic_in_Ci表示观看Ci类别的视频时，用户进行过“增大分辨率”行为的视频数量；表示用户观看Ci类别的视频的总数目；k<0；
M(Npic)=w(Npic_in-Npic_de)，(-1≤M(Npic)≤1)；
其中，Npic_in表示此次观看视频时增大分辨率的次数；Npic_de表示此次观看视频时降低分辨率的次数。
优选地，所述服务器还具有以下特点：
所述当前视频损伤数据包括：初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf；
所述再缓冲时长Trebuf为视频自动暂停或自动退出时的再缓冲时长；
若视频缓存区能维持视频继续播放，则判断暂停或退出为自动暂停或自动退出；
所述QoE初始评价模块，用于根据所述当前视频损伤数据得到初始用户体验质量QoEinit具体为：
所述QoE初始评价模块，用于接收所述初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf得到初始用户体验质量QoEinit。
优选地，所述服务器还具有以下特点：
所述QoE修正模块，用于根据所述对个人QoE的影响值和所述初始用户体验质量QoEinit得到修正用户体验质量QoEfinal是指：
所述QoE修正模块根据所述Et、Ep和QoEinit得到QoEfinal：
QoEfinal=QoEinit+m1Et+m2Ep；
其中，-1≤Et≤0，-1≤Ep≤1，m1+m2=1，m1、m2分别为Et、Ep的权重系数。
综上，采用本发明所述方法和服务器，具有如下有益效果：
1.本发明通过在终端和服务器进行数据采集与分析，能够及时有效地获取用户信息，对用户影响小。
2.本发明充分利用了用户的行为来分析用户的心理，包括用户对视频的历史期望以及观看视频时的情绪，与现有通过问卷调查才能获得用户反馈的方法相比较，不需花费大量的人力物力即可获知用户的心理，且简单易实现。
3.本发明充分考虑了用户主观层面上用户对视频的期望程度以及用户情绪对用户个人体验质量的影响，克服了现有方法没有或很少考虑用户主观感受的弊端；同时加入用户个人主观层面的视频期望以及用户情绪，降低了QoE评价的大众化，使得得到的QoE能够更准确地针对用户个人。
4.本发明充分考虑了不同用户对视频清晰度的不同要求，克服了现有HTTP流媒体评价方法中仅考虑视频流畅度而忽略画面质量的弊端，使得用户体验评价更贴近用户感知。
5.应用本发明，可以与网络QoS相结合，运营商可以根据用户个性化的QoE评价对用户进行分类，进行更合理的网络资源分配，避免出现网络参数好而用户体验差的情况。
附图说明
图1所示为本发明实施例的各层之间关系图；
图2所示为本发明实施例的移动流媒体用户体验质量QoE修正思路图；
图3所示为本发明实施例的移动流媒体用户体验质量QoE修正流程图；
图4所示为本发明实施例的移动流媒体用户体验质量QoE修正系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进一步地详细说明。
针对目前HTTP移动流媒体用户体验质量评价的问题：（1）主观评价方法测量数据费时费力，不能实时反馈，且用户不一定愿意主动参与，使得数据采集存在问题；（2）通过网络QoS映射QoE的评价方法，没有用户参与，不能准确及时反映用户感受；（3）现有的用户体验质量评价没有很好的区分用户到个人，容易造成网络资源不必要的浪费以及对个别用户QoE评价错误。
如图2所示，本发明提供了移动流媒体用户体验质量QoE修正方法的思路图，本发明直接根据视频损伤的触发，记录视频整体的损伤程度，包括视频初始缓冲时长、再缓冲时长以及再缓冲频率，继而得到初步的QoE；再通过用户观看同类视频的历史行为记录以及当前观影的操作行为记录推测视频流畅度和视频清晰度对用户个人QoE的影响，继而对初步得到的QoE进行修正，得到最终针对用户个人的QoE值。
本发明中根据用户层参数反映用户习惯、用户期望、用户情绪，再根据用户习惯、用户期望、用户情绪修正初步得到的QoE进行修正，得到最终针对用户个人的QoE值。但本发明中对QoE进行修正可以直接采用用户层参数。
用户层参数，优选地，可以是指当前及历史观影行为，包括但不限于暂停、退出及改变分辨率等。
如图3所示，本发明实施例提出一种移动流媒体用户体验质量QoE修正方法，创造性的提出了一种反应不同用户对不同类别视频的期望值的方法，并且将用户的期望细分为用户对流畅度的期望与清晰度的期望，从而通过对用户观看视频过程中的操作行为的分析修正用户对视频的整体满意度，达到用户个性化地修正用户体验质量评价的目的。
一种移动流媒体用户体验质量QoE修正方法，包括：
步骤101：接收用户行为数据和当前视频损伤数据。
用户行为数据可以反映出视频的清晰度、流畅度；而且用户行为数据也可以体现出用户的情绪、习惯、期望等。
步骤102：根据用户行为数据得到对个人QoE的影响值；
对个人QoE的影响值包括：流畅度对个人QoE的第一影响值Et和清晰度对个人QoE的第二影响值Ep；
根据用户行为数据得到对个人QoE的影响值的步骤包括：
根据用户行为数据，建立用户行为表，根据用户行为表计算出Et和Ep。
用户行为表包括：uID，Ci，user_act，Tini，Trebuf，Frebuf；
其中，uID为用户的唯一标识；
Ci={C1,C2,…,Cn}为用户观看的视频类别；
user_act={“pause”，“quit”，“pic_in”，“pic_de”}为用户操作行为，其中所包括的内容分别表示“暂停”、“退出”、“增大分辨率”和“降低分辨率”；time记录行为触发时视频已播放的时间；Tini，Trebuf，Frebuf则表示行为触发时已有的视频损伤，分别为初始缓冲时长、再缓冲时长和再缓冲频率；
根据用户行为表计算出Et和Ep是指：
Et=<uID,{(C1,E1t);(C2,E2t);…(Cn,Ent)}>；
其中，Eit（1≤i≤n）表示某类视频Ci流畅度对该用户个人QoE的影响值，1≤Eit≤0；
Eit=e1Iit+e2M(Lpause)；
其中，Iit=I(Lqti,Lqtr,Lqfr)表示用户被动退出行为对QoE的影响值；M(Lpause)表示用户被动暂停行为对QoE的影响值；e1+e2=1，e1、e2分别表示用户被动退出行为以及被动暂停行为对此次观看视频QoE的影响值系数；
当用户冷启动时，Iit=0，此时Eit=e2M(Lpause)；
Iit=-1+(u1Lqti+u2Lqfr+u3Lqtr)/3，（-1≤Iit≤0）；
其中，Lqti,Lqtr,Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度以及平均再缓冲频率程度；u1+u2+u3≤1；
M(Lpause)=e-vLpause-1，(-1≤M(Lpause)≤0)，
其中，Npause表示本次观看视频用户被动暂停的总次数；time表示播放的视频长度；v≥0；
Ep=<uID,{(C1,E1p);(C2,E2p);…(Cn,Enp)}>，Eip（1≤i≤n）表示某类视频Ci清晰度对用户个人QoE的影响值，-1≤Eip≤1；
Eip=n1Iip+n2M(Npic)；
其中，Iip=I(Fpic_in)表示用户对视频清晰度的历史期望对其QoE的影响值；M(Npic)表示该视频清晰度致使的用户情绪对QoE的影响值；n1+n2=1,n1、n2分别表示用户对该类视频清晰度的历史期望以及当前情绪对个人QoE的影响值系数；
当用户冷启动时，Iip=0，此时Eip=n2M(Npic)；
Iip=kFpic_in，（-1≤Iip≤0）；
其中，Npic_in_Ci表示观看Ci类别的视频时，用户进行过“增大分辨率”行为的视频数量；表示用户观看Ci类别的视频的总数目；k<0；
M(Npic)=w(Npic_in-Npic_de)，(-1≤M(Npic)≤1)；
其中，Npic_in表示此次观看视频时增大分辨率的次数；Npic_de表示此次观看视频时降低分辨率的次数。
步骤103：根据当前视频损伤数据得到初始用户体验质量QoEinit；
当前视频损伤数据包括：初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf；
再缓冲时长Trebuf为视频自动暂停或自动退出时的再缓冲时长；
若视频缓存区能维持视频继续播放，则判断暂停或退出为自动暂停或自动退出；
根据当前视频损伤数据得到初始用户体验质量QoEinit的步骤包括：
根据接收初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf得到初始用户体验质量QoEinit。
步骤104：根据对个人QoE的影响值和初始用户体验质量QoEinit得到修正个人用户体验质量QoEfinal。
根据对个人QoE的影响值和初始用户体验质量QoEinit得到修正用户体验质量QoEfinal的步骤包括：
根据Et、Ep和QoEinit得到QoEfinal：
QoEfinal=QoEinit+m1Et+m2Ep；
其中，-1≤Et≤0，-1≤Ep≤1，m1+m2=1，m1、m2分别为Et、Ep的权重系数。
如图4所示，本发明还提供了移动流媒体用户体验质量QoE修正的服务器，服务器包括：
数据接收模块，用于接收用户行为数据和当前视频损伤数据。
用户行为数据可以反映出视频的清晰度、流畅度；而且用户行为数据也可以体现出用户的情绪、习惯、期望等。
用户行为记录模块，用于根据用户行为数据得到对个人QoE的影响值；
对个人QoE的影响值包括：流畅度对个人QoE的第一影响值Et和清晰度对个人QoE的第二影响值Ep；
用户行为记录模块，用于根据用户行为数据得到对个人QoE的影响值是指：
用户行为记录模块，用于根据用户行为数据，建立用户行为表，根据用户行为表计算出Et和Ep。
用户行为表包括：uID，Ci，user_act，Tini，Trebuf，Frebuf；
其中，uID为用户的唯一标识；
Ci={C1,C2,…,Cn}为用户观看的视频类别；
user_act={“pause”，“quit”，“pic_in”，“pic_de”}为用户操作行为，其中所包括的内容分别表示“暂停”、“退出”、“增大分辨率”和“降低分辨率”；time记录行为触发时视频已播放的时间；Tini，Trebuf，Frebuf则表示行为触发时已有的视频损伤，分别为初始缓冲时长、再缓冲时长和再缓冲频率；
根据用户行为表计算出Et和Ep是指：
Et=<uID,{(C1,E1t);(C2,E2t);…(Cn,Ent)}>；
其中，Eit（1≤i≤n）表示某类视频Ci流畅度对该用户个人QoE的影响值，1≤Eit≤0；
Eit=e1Iit+e2M(Lpause)；
其中，Iit=I(Lqti,Lqtr,Lqfr)表示用户被动退出行为对QoE的影响值；M(Lpause)表示用户被动暂停行为对QoE的影响值；e1+e2=1，e1、e2分别表示用户被动退出行为以及被动暂停行为对此次观看视频QoE的影响值系数；
当用户冷启动时，Iit=0，此时Eit=e2M(Lpause)；
Iit=-1+(u1Lqti+u2Lqfr+u3Lqtr)/3，（-1≤Iit≤0）；
其中，Lqti,Lqtr,Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度以及平均再缓冲频率程度；u1+u2+u3≤1；
M(Lpause)=e-vLpause-1，(-1≤M(Lpause)≤0)，
其中，Npause表示本次观看视频用户被动暂停的总次数；time表示播放的视频长度；v≥0；
Ep=<uID,{(C1,E1p);(C2,E2p);…(Cn,Enp)}>，Eip（1≤i≤n）表示某类视频Ci清晰度对用户个人QoE的影响值，-1≤Eip≤1；
Eip=n1Iip+n2M(Npic)；
其中，Iip=I(Fpic_in)表示用户对视频清晰度的历史期望对其QoE的影响值；M(Npic)表示该视频清晰度致使的用户情绪对QoE的影响值；n1+n2=1,n1、n2分别表示用户对该类视频清晰度的历史期望以及当前情绪对个人QoE的影响值系数；
当用户冷启动时，Iip=0，此时Eip=n2M(Npic)；
Iip=kFpic_in，（-1≤Iip≤0）；
其中，Npic_in_Ci表示观看Ci类别的视频时，用户进行过“增大分辨率”行为的视频数量；表示用户观看Ci类别的视频的总数目；k<0；
M(Npic)=w(Npic_in-Npic_de)，(-1≤M(Npic)≤1)；
其中，Npic_in表示此次观看视频时增大分辨率的次数；Npic_de表示此次观看视频时降低分辨率的次数。
QoE初始评价模块，用于根据当前视频损伤数据得到初始用户体验质量QoEinit；
当前视频损伤数据包括：初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf；
再缓冲时长Trebuf为视频自动暂停或自动退出时的再缓冲时长；
视频缓存区能维持视频继续播放，则判断暂停或退出为自动暂停或自动退出；
QoE初始评价模块，用于根据当前视频损伤数据得到初始用户体验质量QoEinit具体为：
QoE初始评价模块，用于接收初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf得到初始用户体验质量QoEinit。
QoE修正模块，用于根据对个人QoE的影响值和初始用户体验质量QoEinit得到修正用户体验质量QoEfinal。
QoE修正模块，用于根据对个人QoE的影响值和初始用户体验质量QoEinit得到修正用户体验质量QoEfinal是指：
QoE修正模块根据Et、Ep和QoEinit得到QoEfinal：
QoEfinal=QoEinit+m1Et+m2Ep；
其中，-1≤Et≤0，-1≤Ep≤1，m1+m2=1，m1、m2分别为Et、Ep的权重系数。
该服务器的其他功能请参考方法内容的描述。
可选地，该服务器，分为用户终端和服务器端。
用户终端可包含用户行为监测模块、视频损伤监测模块以及数据整合发送模块：用户行为监测模块负责监测并记录用户在观影过程中的操作行为，包括暂停、改变分辨率以及退出；视频损伤监测模块负责收集应用层上的信息，包括初始缓冲时长、再缓冲时长以及再缓冲频率；数据整合发送模块负责将数据进行整合，发送到服务器端。
服务器端可参考上述服务器的描述。
本发明还提供一种具体实施方式，如下：
步骤一：服务器端建立用户行为表。
用户行为表(uID,Ci,user_act,time,Tini,Trebuf,Frebuf)，用于记录用户观影过程中的操作行为，以便分析用户的期望以及当前的情绪。
uID为用户的唯一标识（可根据终端号或用户ID标识）；
Ci={C1,C2,…,Cn}为用户观看的视频类别（视频的分类可直接依据用户获取视频源的分类，即一般视频网站将视频分为电影、电视剧、综艺、娱乐、体育、新闻等）；
user_act={“pause”,“quit”,“pic_in”,“pic_de”}为用户操作行为，其中所包括的内容分别表示“暂停”“退出”“增大分辨率”和“降低分辨率”；
time记录行为触发时视频已播放的时间；
Tini,Trebuf,Frebuf则表示行为触发时已有的视频损伤，分别为初始缓冲时长、再缓冲时长和再缓冲频率。
步骤二：用户启动流媒体业务，终端开始收集应用层及用户层数据。
（1）用户启动流媒体业务，触发终端收集应用层数据。
视频开始播放后，终端自动记录视频的初始缓冲时长；
每当视频自动暂停时（非人为触发暂停按钮），触发终端标记再缓冲事件的发生，并记录视频的暂停时间以及重新开始播放时间（时间差为再缓冲时长）；
每次记录后，终端自动提取之前的记录，统计视频自动再缓冲的频率（再缓冲次数/已播放视频时长（s）），统计视频再缓冲的平均时长。
（2）用户行为触发，终端将用户行为数据发送并记录入用户行为表中。
当用户某一行为触发时，将该用户的标识、观看的视频类别、行为状态、视频播放时间以及此时的视频损伤记录入用户行为表中；
当用户触发“暂停”行为与“退出”行为时，终端自动识别此时缓冲区的状态，若缓冲区状态良好，则将此次暂停行为视为因用户个人原因所进行的主动暂停与主动退出，不记录入用户行为表中。
步骤三：服务器根据收集到的应用层数据初步预测QoE。
服务器根据终端收集的应用层数据（观看视频过程中初始缓冲时长Tini、再缓冲频率Frebuf以及再缓冲时长Trebuf），将其分为“Low”“Medium”“High”三个等级，分别用“1”“2”“3”的分值来表示，然后进行拟合，得：
QoEinti=4.23-0.0672Lti-0.742Lfr-0.106Ltr [1]
Lti、Lfr和Ltr分别表示初始缓冲时长程度、再缓冲频率程度以及再缓冲时长程度。如表1所示将记录的视频损伤转换成相应的程度值。
表1视频损伤程度分类
步骤四：对初始预测的QoEinit进行修正。
（1）从用户行为记录表中提取用户信息。
根据历史观看行为记录统计得到用户观看视频特征（包括该用户观看该类视频退出时的平均初始缓冲时长Tqini_ci、再缓冲时长Tqrebuf_ci、再缓冲频率Fqrebuf_ci）、用户历史观看该类视频时进行过“增大分辨率”行为的视频数量Npic_in_Ci；
根据此次观影的操作行为记录获得用户此次观看该视频时进行“增大分辨率”行为次数Npic_in，“降低分辨率”行为次数Npic_de，以及用户此次观看该视频时进行的“暂停”行为次数Npause。
用户冷启动时，只需要获取用户此次观影的操作行为。
（2）针对用户个人进行QoE的修正
QoEfinal=QoEinit+m1Et+m2Ep
其中，Et表示视频流畅度对用户个人QoE的影响值，Ep表示视频清晰度对用户个人QoE的影响值。-1≤Et≤0，-1≤Ep≤1，m1+m2=1，m1、m2分别为视频流畅度影响值和视频清晰度影响值的权重系数，可通过统计方法（或层次分析等其他方法）获得。
流畅度影响值Et=<uID,{(C1,E1t);(C2,E2t);…(Cn,Ent)}>，Ci（1≤i≤n）表示视频的不同分类，Eit（1≤i≤n）表示某类视频Ci流畅度对该用户个人QoE的影响值，-1≤Eit≤0，（“0”“-1”分别表示用户对视频流畅度的期望为“无所谓”和“期望高”，绝对值越趋向1表示用户对视频流畅度的期望越高，则对其个人QoE影响程度越大。）
Eit=e1Iit+e2M(Lpause)。
其中，Iit=I(Lqti,Lqtr,Lqfr)表示用户退出行为对QoE的影响值，用户退出行为分为主动退出（用户因自身原因退出）和被动退出（用户因体验质量差无法忍受而退出），用户行为监测模块依据用户退出时的缓存区状态判断用户的退出行为类别，仅记录用户被动退出，由于用户退出则业务终止，所以仅需考虑用户历史观看该类视频时的退出行为，即根据统计用户历史观看该类视频被动退出时的平均视频损伤程度来判断用户对视频损伤的忍耐度，继而得出退出行为对用户此次观看视频主观体验的影响；M(Lpause)表示用户暂停行为对QoE的影响值，用户暂停行为分为主动暂停（用户因自身原因而暂停）和被动暂停（用户因不满当前体验质量而暂停），用户行为监测模块依据用户暂停时的缓存区状态判断用户的暂停行为类别，仅记录用户被动暂停，由于用户暂停属于用户用于改善当前视频流畅度的方法，表达了用户对当前视频质量的期望与情绪，所以仅需考虑用户当前观看视频时的暂停行为，即根据统计用户观看当前视频所进行的被动暂停次数来判断用户表达对视频质量不满情绪的程度，继而推断出暂停行为对用户此次观看视频时QoE评价的影响；e1+e2=1，e1、e2分别表示用户退出行为以及暂停行为对此次观看视频QoE的影响值系数，可通过统计方法（或层次分析等其他方法）获得。
当用户冷启动时，Iit=0，此时Eit=e2M(Lpause)。
Iit=-1+(u1Lqti+u2Lqfr+u3Lqtr)/3。（-1≤Iit≤0）
其中，Lqti,Lqtr,Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度以及平均再缓冲频率程度，由从历史行为表中统计得到的该用户观看该类视频退出时的平均初始缓冲时长Tqini_ci、再缓冲时长Tqrebuf_ci以及再缓冲频率Fqrebuf_ci得到用户退出时的视频损伤程度，“1”“2”“3”分别表示损伤程度的“低”“中”“高”（该程度的分类依据参考表1）。u1+u2+u3≤1，u1、u2、u3可通过大量数据的拟合（或层次分析等其他方法）获得。用户历史观看该类视频被动退出时损伤程度越低，则表示用户对该类视频可接受的损伤程度越低，可以认为用户对该类视频的期望值较高，当用户期望值越高，用户体验评价就会越苛刻，即相同损伤条件下该用户的QoE值会相应降低。
M(Lpause)=e-vLpause-1。(-1≤M(Lpause)≤0)
其中，（Npause表示本次观看视频用户被动暂停的总次数，time表示播放的视频长度。）v≥0，v可通过实验统计获得。用户进行过暂停操作，必然会对视频的流畅度较无操作之前有更高的期望，随着暂停次数的增加，其情绪会愈加的不满，导致相同视频损伤条件下该用户此次观影的QoE值会降低。
清晰度影响值Ep=<uID,{(C1,E1p);(C2,E2p);…(Cn,Enp)}>，Ci（1≤i≤n）表示视频的不同分类，Eip（1≤i≤n）表示某类视频Ci清晰度对用户个人QoE的影响值，-1≤Eip≤1，（绝对值越趋向1表示影响程度越大。）
Eip=n1Iip+n2M(Npic)。
其中，Iip=I(Fpic_in)表示用户对视频清晰度的历史期望对其QoE的影响值，即根据统计用户对该类视频历史“增大分辨率”的频率来判断该用户对该类视频清晰度的期望，继而得到用户对此次观看视频主观体验的影响；M(Npic)表示该视频清晰度致使的用户情绪对QoE的影响值，即根据用户此次观看视频过程中增大减小分辨率的次数差判断用户对当前视频清晰度的满意程度，依次得到用户此次观看视频情绪度对用户QoE的影响；n1+n2=1,n1、n2分别表示用户对该类视频清晰度的历史期望以及当前情绪对个人QoE的影响值系数，可通过统计方法（或层次分析等其他方法）获得。
当用户冷启动时，并无历史记录，Iip=0，此时Eip=n2M(Npic)。
Iip=kFpic_in。（-1≤Iip≤0）（“0”“-1”分别表示用户对视频清晰度的期望为“无所谓”“期望高”，绝对值越趋向1表示用户对视频清晰度的期望越高，则对其个人QoE影响程度越大。）
其中，（Npic_in_Ci表示观看Ci类别的视频时，用户进行过“增大分辨率”行为的视频数量；表示用户观看Ci类别的视频的总数目）。k<0,k可通过大量数据的拟合获得。当用户从不进行改变分辨率操作时，可视为用户对视频清晰度无要求；当用户观看某类视频，增大分辨率的频率很高时，视为该用户对该类视频的清晰度要求较高，初始预测的QoE默认用户对视频清晰度无要求，当用户对视频清晰度期望较高时，相同视频损伤条件下，用户的体验评价会较之更低。
M(Npic)=w(Npic_in-Npic_de)。(-1≤M(Npic)≤1)（“1”“0”“-1”分别表示用户对当前视频清晰度的情绪表达为“满意”“无所谓”“不满意”，绝对值越趋向1表示用户对当前视频清晰度表达的情绪程度越高，则对其个人QoE影响程度越大。）
其中，Npic_in表示此次观看视频时增大分辨率的次数，Npic_de表示此次观看视频时降低分辨率的次数，w可通过实验统计获得。通过用户增大分辨率与降低分辨率的次数差来判断用户当前所观看的视频清晰度，初始预测的QoE默认用户对视频清晰度无要求，在相同视频损伤条件下，用户的体验评价自然会随着视频清晰度的降低而相应下降，随着视频清晰度的提高而相应上升。
其他的技术方案同样可以完成本发明的目的，包括但不限于：
1、可以直接用网络参数与应用层参数预测视频损伤程度，以此替代终端记录视频损伤；
2、初始缓冲时长，再缓冲时长以及再缓冲的频率的等级划分可以更加细化；
3、可以根据不同用户、不同的视频类型拟合QoE公式，得到不同用户对不同类型视频的QoE评价；
4、QoE修正方法不限于线性修正，可以使非线性指数函数或者对数函数修正；
5、可以通过用户直接打分反馈的方式替代用户行为的分析，但此方法会增加用户操作的复杂性。
当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种移动流媒体用户体验质量QoE修正方法，其特征在于，该方法包括：
接收用户行为数据和当前视频损伤数据；
根据所述用户行为数据得到对个人QoE的影响值；
根据所述当前视频损伤数据得到初始用户体验质量QoEinit；
根据所述对个人QoE的影响值和所述初始用户体验质量QoEinit得到修正个人用户体验质量QoEfinal；
其中，所述用户行为数据为用户观看视频过程中的操作行为数据。
2.如权利要求1所述的方法，其特征在于，
所述对个人QoE的影响值包括：流畅度对所述个人QoE的第一影响值Et和清晰度对所述个人QoE的第二影响值Ep；
根据所述用户行为数据得到对个人QoE的影响值的步骤包括：
根据所述用户行为数据，建立用户行为表，根据所述用户行为表计算出所述Et和Ep。
3.如权利要求2所述的方法，其特征在于，
所述用户行为表包括：
Lqti，Lqtr，Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度及平均再缓冲频率程度；
Npause表示本次观看视频用户被动暂停的总次数；
time表示播放的视频长度；
根据所述用户行为表计算出所述Et和Ep的步骤包括：
所述Et＝<uID,{(C1,E1t)；(C2,E2t)；…(Cn,Ent)}>；
其中，Eit(1≤i≤n)表示某类视频Ci流畅度对该用户个人QoE的影响值，1≤Eit≤0；
Eit＝e1Iit+e2M(Lpause)；
其中，Iit＝I(Lqti,Lqtr,Lqfr)表示用户被动退出行为对QoE的影响值；M(Lpause)表示用户被动暂停行为对QoE的影响值；e1+e2＝1，e1、e2分别表示用户被动退出行为以及被动暂停行为对此次观看视频QoE的影响值系数；
当用户冷启动时，Iit＝0，此时Eit＝e2M(Lpause)；
Iit＝-1+(u1Lqti+u2Lqfr+u3Lqtr)/3，(-1≤Iit≤0)；
其中，Lqti,Lqtr,Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度以及平均再缓冲频率程度；u1+u2+u3≤1；
M(Lpause)＝e-vLpause-1，(-1≤M(Lpause)≤0)，
其中，Npause表示本次观看视频用户被动暂停的总次数；time表示播放的视频长度；
所述Ep＝<uID,{(C1,E1p)；(C2,E2p)；…(Cn,Enp)}>；
其中，Eip(1≤i≤n)表示某类视频Ci清晰度对用户个人QoE的影响值，-1≤Eip≤1；
Eip＝n1Iip+n2M(Npic)；
其中，Iip＝I(Fpic_in)表示用户对视频清晰度的历史期望对其QoE的影响值；M(Npic)表示该视频清晰度致使的用户情绪对QoE的影响值；n1+n2＝1,n1、n2分别表示用户对该类视频清晰度的历史期望以及当前情绪对个人QoE的影响值系数；
当用户冷启动时，Iip＝0，此时Eip＝n2M(Npic)；
Iip＝kFpic_in，(-1≤Iip≤0)；
其中，Npic_in_Ci表示观看Ci类别的视频时，用户进行过“增大分辨率”行为的视频数量；表示用户观看Ci类别的视频的总数目；k<0；
M(Npic)＝w(Npic_in-Npic_de)，(-1≤M(Npic)≤1)；
其中，Npic_in表示此次观看视频时增大分辨率的次数；Npic_de表示此次观看视频时降低分辨率的次数。
4.如权利要求1或2所述的方法，其特征在于，
所述当前视频损伤数据包括：初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf；
所述再缓冲时长Trebuf为视频自动暂停或自动退出时的再缓冲时长；
若视频缓存区能维持视频继续播放，则判断暂停或退出为自动暂停或自动退出；
根据所述当前视频损伤数据得到初始用户体验质量QoEinit的步骤包括：
根据接收所述初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf得到初始用户体验质量QoEinit。
5.如权利要求2所述的方法，其特征在于，
根据所述对个人QoE的影响值和所述初始用户体验质量QoEinit得到修正用户体验质量QoEfinal的步骤包括：
根据所述Et、Ep和QoEinit得到QoEfinal：
QoEfinal＝QoEinit+m1Et+m2Ep；
其中，-1≤Et≤0，-1≤Ep≤1，m1+m2＝1，m1、m2分别为Et、Ep的权重系数。
6.一种移动流媒体用户体验质量QoE修正的服务器，其特征在于，所述服务器包括：
数据接收模块，用于接收用户行为数据和当前视频损伤数据；
用户行为记录模块，用于根据所述用户行为数据得到对个人QoE的影响值；
QoE初始评价模块，用于根据所述当前视频损伤数据得到初始用户体验质量QoEinit；
QoE修正模块，用于根据所述对个人QoE的影响值和所述初始用户体验质量QoEinit得到修正用户体验质量QoEfinal；
其中，所述用户行为数据为用户观看视频过程中的操作行为数据。
7.如权利要求6所述的服务器，其特征在于，
所述对个人QoE的影响值包括：流畅度对所述个人QoE的第一影响值Et和清晰度对所述个人QoE的第二影响值Ep；
所述用户行为记录模块，用于根据所述用户行为数据得到对个人QoE的影响值是指：
所述用户行为记录模块，用于根据所述用户行为数据，建立用户行为表，根据所述用户行为表计算出所述Et和Ep。
8.如权利要求7所述的服务器，其特征在于，
所述用户行为表包括：
Lqti，Lqtr，Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度及平均再缓冲频率程度；
Npause表示本次观看视频用户被动暂停的总次数；
time表示播放的视频长度；
根据所述用户行为表计算出所述Et和Ep的步骤包括：
所述Et＝<uID,{(C1,E1t)；(C2,E2t)；…(Cn,Ent)}>；
其中，Eit(1≤i≤n)表示某类视频Ci流畅度对该用户个人QoE的影响值，1≤Eit≤0；
Eit＝e1Iit+e2M(Lpause)；
其中，Iit＝I(Lqti,Lqtr,Lqfr)表示用户被动退出行为对QoE的影响值；M(Lpause)表示用户被动暂停行为对QoE的影响值；e1+e2＝1，e1、e2分别表示用户被动退出行为以及被动暂停行为对此次观看视频QoE的影响值系数；
当用户冷启动时，Iit＝0，此时Eit＝e2M(Lpause)；
Iit＝-1+(u1Lqti+u2Lqfr+u3Lqtr)/3，(-1≤Iit≤0)；
其中，Lqti,Lqtr,Lqfr分别表示用户历史观看Ci类视频退出时的平均初始缓冲时长程度、平均再缓冲时长程度以及平均再缓冲频率程度；u1+u2+u3≤1；
M(Lpause)＝e-vLpause-1，(-1≤M(Lpause)≤0)，
其中，Npause表示本次观看视频用户被动暂停的总次数；time表示播放的视频长度；
所述Ep＝<uID,{(C1,E1p)；(C2,E2p)；…(Cn,Enp)}>；
其中，Eip(1≤i≤n)表示某类视频Ci清晰度对用户个人QoE的影响值，-1≤Eip≤1；
Eip＝n1Iip+n2M(Npic)；
其中，Iip＝I(Fpic_in)表示用户对视频清晰度的历史期望对其QoE的影响值；M(Npic)表示该视频清晰度致使的用户情绪对QoE的影响值；n1+n2＝1,n1、n2分别表示用户对该类视频清晰度的历史期望以及当前情绪对个人QoE的影响值系数；
当用户冷启动时，Iip＝0，此时Eip＝n2M(Npic)；
Iip＝kFpic_in，(-1≤Iip≤0)；
其中，Npic_in_Ci表示观看Ci类别的视频时，用户进行过“增大分辨率”行为的视频数量；表示用户观看Ci类别的视频的总数目；k<0；
M(Npic)＝w(Npic_in-Npic_de)，(-1≤M(Npic)≤1)；
其中，Npic_in表示此次观看视频时增大分辨率的次数；Npic_de表示此次观看视频时降低分辨率的次数。
9.如权利要求6所述的服务器，其特征在于，
所述当前视频损伤数据包括：初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf；
所述再缓冲时长Trebuf为视频自动暂停或自动退出时的再缓冲时长；
若视频缓存区能维持视频继续播放，则判断暂停或退出为自动暂停或自动退出；
所述QoE初始评价模块，用于根据所述当前视频损伤数据得到初始用户体验质量QoEinit具体为：
所述QoE初始评价模块，用于接收所述初始缓冲时长Tini、再缓冲时长Trebuf和再缓冲频率Frebuf得到初始用户体验质量QoEinit。
10.如权利要求7所述的服务器，其特征在于，
所述QoE修正模块，用于根据所述对个人QoE的影响值和所述初始用户体验质量QoEinit得到修正用户体验质量QoEfinal是指：
所述QoE修正模块根据所述Et、Ep和QoEinit得到QoEfinal：
QoEfinal＝QoEinit+m1Et+m2Ep；
其中，-1≤Et≤0，-1≤Ep≤1，m1+m2＝1，m1、m2分别为Et、Ep的权重系数。
CN201410023600.XA 2014-01-17 2014-01-17 一种移动流媒体用户体验质量QoE修正方法和服务器 Active CN104796443B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201410023600.XA CN104796443B (zh) 2014-01-17 2014-01-17 一种移动流媒体用户体验质量QoE修正方法和服务器
PCT/CN2014/083088 WO2015106557A1 (zh) 2014-01-17 2014-07-25 一种移动流媒体用户体验质量QoE修正方法和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410023600.XA CN104796443B (zh) 2014-01-17 2014-01-17 一种移动流媒体用户体验质量QoE修正方法和服务器

Publications (2)

Publication Number Publication Date
CN104796443A CN104796443A (zh) 2015-07-22
CN104796443B true CN104796443B (zh) 2019-12-20

Family

ID=53542361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410023600.XA Active CN104796443B (zh) 2014-01-17 2014-01-17 一种移动流媒体用户体验质量QoE修正方法和服务器

Country Status (2)

Country Link
CN (1) CN104796443B (zh)
WO (1) WO2015106557A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105323604B (zh) * 2015-10-29 2018-03-16 西安交通大学 一种QoE驱动的HTTP流媒体点播缓冲区控制方法
CN107820125B (zh) * 2017-11-28 2020-03-17 北京小度互娱科技有限公司 基于用户行为优化视频应用体验的方法及装置
CN110019956A (zh) * 2017-12-15 2019-07-16 优酷信息技术（北京）有限公司 视频的用户观看行为的分析方法及装置
CN109451303B (zh) * 2018-12-24 2019-11-08 合肥工业大学 一种针对VR视频中用户体验质量QoE的建模方法
CN110430440B (zh) * 2019-06-19 2021-11-30 鹏城实验室 视频传输方法、系统、计算机设备和存储介质
EP4008095B1 (en) * 2019-08-02 2024-02-21 Dolby Laboratories Licensing Corporation Personalized sensitivity measurements and playback factors for adaptive and personalized media coding and delivery
CN115314932A (zh) * 2021-05-08 2022-11-08 大唐移动通信设备有限公司 QoE测量报告的上报方法、设备、装置及存储介质
CN114721921A (zh) * 2022-04-25 2022-07-08 Oppo广东移动通信有限公司 用户感受评估方法、装置、终端设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102355691A (zh) * 2011-06-30 2012-02-15 北京中创信测科技股份有限公司 一种移动数据网络用户体验质量感知方法
CN102413016A (zh) * 2011-11-30 2012-04-11 华为技术有限公司 一种实现体验质量评估的方法、装置和系统
CN102625344A (zh) * 2012-03-13 2012-08-01 重庆信科设计有限公司 移动终端用户体验质量评估模型及方法
CN102685790A (zh) * 2012-05-22 2012-09-19 北京东方文骏软件科技有限责任公司 模拟用户行为的移动流媒体业务感知体验QoE的测评方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102111381A (zh) * 2009-12-24 2011-06-29 中国移动通信集团公司 一种流媒体码率动态调整方法、终端及流媒体服务器
EP2525587B1 (en) * 2011-05-17 2017-07-05 Alcatel Lucent Method for streaming video content, node in a network for monitoring video content streaming
CN102868666B (zh) * 2011-07-07 2015-09-23 北京东方文骏软件科技有限责任公司 基于用户体验交互的流媒体质量监测报告的实现方法
CN103179592B (zh) * 2013-03-20 2015-05-20 南京邮电大学 基于树形分层结构的QoE综合评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102355691A (zh) * 2011-06-30 2012-02-15 北京中创信测科技股份有限公司 一种移动数据网络用户体验质量感知方法
CN102413016A (zh) * 2011-11-30 2012-04-11 华为技术有限公司 一种实现体验质量评估的方法、装置和系统
CN102625344A (zh) * 2012-03-13 2012-08-01 重庆信科设计有限公司 移动终端用户体验质量评估模型及方法
CN102685790A (zh) * 2012-05-22 2012-09-19 北京东方文骏软件科技有限责任公司 模拟用户行为的移动流媒体业务感知体验QoE的测评方法

Also Published As

Publication number Publication date
WO2015106557A1 (zh) 2015-07-23
CN104796443A (zh) 2015-07-22

Similar Documents

Publication Publication Date Title
CN104796443B (zh) 一种移动流媒体用户体验质量QoE修正方法和服务器
US10841358B2 (en) System and method for determining quality of a media stream
Rodríguez et al. Video quality assessment in video streaming services considering user preference for video content
EP2761879B1 (en) A method to measure quality of experience of a video service
Casas et al. Monitoring YouTube QoE: Is your mobile network delivering the right experience to your customers?
CN109618565A (zh) 流式视频用户体验质量的自动测量方法和系统
US20170347159A1 (en) Qoe analysis-based video frame management method and apparatus
CN105430383A (zh) 一种视频流媒体业务的体验质量评估方法
Aguiar et al. Video quality estimator for wireless mesh networks
US11570228B2 (en) System and method for managing video streaming quality of experience
Li et al. Modeling QoE of virtual reality video transmission over wireless networks
US20150138373A1 (en) Content-dependent video quality model for video streaming services
Raca et al. Incorporating prediction into adaptive streaming algorithms: A QoE perspective
Carofiglio et al. Characterizing the relationship between application QoE and network QoS for real-time services
CN109905382A (zh) Iptv视频流业务用户体验质量主客观综合评估方法
Wang et al. A study on QoS/QoE correlation model in wireless-network
Yuan et al. IPTV video quality assessment model based on neural network
Zhang et al. A QOE-driven approach to rate adaptation for dynamic adaptive streaming over http
Wehner et al. Beauty is in the eye of the smartphone holder a data driven analysis of youtube mobile qoe
Pal et al. Model for mobile online video viewed on samsung galaxy note 5
Othman Objective video quality metric aware Adaptation mechanisms for video streaming based on DASH
CN117459764B (zh) 多通道智能屏幕显示方法、装置、设备及存储介质
Lu et al. Enhancing Cloud Mobile 3D display gaming user experience by asymmetric graphics rendering
EP3729787B1 (en) Estimation of the quality of experience of a service from the user behaviour
Khan Video quality prediction for video over wireless access networks (UMTS and WLAN)

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant