CN106604026A - 一种移动流媒体用户体验质量QoE评估方法 - Google Patents

Abstract

移动流媒体用户体验质量QoE评估方法，首先设计移动流媒体QoE影响因素映射方法，即使用码率状态，码率切换幅度，码率切换次数映射为移动流媒体服务质量评价；考虑用户体验，加入设备抖动情况和用户观看位置的影响因素；然后设计移动流媒体QoE评价方法，即利用QoE影响因素的映射方法计算视频播放全程每个片段的QoE评分；再利用基于HAS(HTTP Adaptive Streaming)的系列位置效应量化方法反映用户心理效应，计算视频播放全程每个片段的影响权重系数；最后将每个片段的QoE评分与每个片段的权重系数作向量内积求得最终的用户QoE评分。

Description

一种移动流媒体用户体验质量QoE评估方法

技术领域

本发明属于移动多媒体视频领域，尤其涉及一种综合考虑服务质量、环境因素和用户心理的移动流媒体用户体验质量QoE评估方法。

现有技术

由于对HTTP移动流媒体的巨大需求，网络提供商和服务提供商迫切需要评估已服务的体验质量和采取措施来满足他们的客户，使他们在激烈的竞争中获胜。HAS(HTTPAdapt Streaming)能够实现流畅播发和视频质量的平衡，因此为用户提供了更好的QoE体验。

QoE是一个端到端的概念，描述了用户与服务或应用程序交互的主观感受。在ITU-T E804中最早将QoE的影响因素划分为两大类：客观因素和主观因素。其中客观因素包括服务参数，应用参数，传输参数等，主观因素包括用户心情，体验，用户所处环境等。QoE评价是主观与客观相结合且十分复杂的，因此大致可以将QoE影响因素分为四个类别：(1)网络层面，比如网络带宽、延迟、丢包率等；(2)服务质量层面，比如码率和切换次数；(3)上下文层面，比如物理位置，社会环境等；(4)心理层面，比如预期的视频质量，用户类型、记忆效应等。

传统的QoE评价基本是从上述的网络层面，即QoS来进行评估的，比如当所播放的视频码率大于实际网络的TCP吞吐量时，缓存区内的数据量会逐渐减少，当数据量减小到一定程度的时候就有可能出现视频顿卡的现象，而吐吞量直接受带宽、延迟、丢包率等影响，从而间接的利用网络参数对QoE进行评分。

基于网络层面的QoE方法缺少对用户感受的考虑，只是从视频重缓存、初始缓存时间等考虑视频质量体验。在网络层面的QoE的基础上发展出的服务质量QoE评估方法从视频比特率以及视频码率切换事件角度来评价用户体验质量，比如利用当前视频质量等级评价每个分片的QoE估值，再利用视频码率切换的次数作为对整体的QoE评分的负评价影响系数。采用服务质量QoE评估极大地提升了准确性，但是随着多样化的用户群体以及移动流媒体的普及，仅根据服务参数评估QoE的方法忽略了用户心理因素及设备状态等对用户的实际体验质量的影响。

有关用户主观感受以及设备上下文的QoE评价研究主要体现在：(1)研究者通过大量实验调查表明出现频繁码率切换和再缓存的视频内容，其用户参与率比正常的视频低很多。但是视频的内容在一定程度上也影响了参与率，即使该视频实际体验不佳但是用户感兴趣，那么他还是会参与观看。(2)研究者通过实验发现不同移动设备在不同的无线网络条件下，视频播放器会丢弃大量成功交付但是不适应设备的视频内容，从而大量的浪费了网络资源，从而体现了设备匹配的重要性。(3)研究者通过大量实验发现，用户使用设备的环境对观看体验也存在较大的影响。例如用户使用移动设备观看视频的位置，距离屏幕越远，对视频清晰度的要求越低；在设备抖动的时候会严重影响用户观看视频的体验等。基于用户心理学的研究体现在：(1)利用心理学的韦伯-费希纳定理研究了视频流业务QoE与丢包之间的关系，但是该定理建立在理想假设基础上，也缺少对服务质量层面相关参数的探讨，有一定的局限性。(2)通过对自适应视频业务的QoE评估特征进行了研究，发现起始片段码率高的视频样本，都获得了较高的MOS评分，而那些起始片段码率低的测试样本，尽管其后码率逐渐上升，视频质量越来越好，但MOS得分却没有前者高。这说明，在短时长的自适应视频流业务中，起始片段的第一印象很大程度上提升了观看者对整个视频的观感。在研究中也发现，末尾片段码率越高，其实验样本获得的MOS评分也相对比末尾码率低的样本高，由此推断视频片段码率等级的分布对用户体验有十分重大的影响。但是现有的移动流媒体用户QoE评价方法缺少同时考虑用户主观感受以及用户和设备所处的环境因素，也很少从用户心理的角度考虑QoE的评价。

发明内容

针对现有移动流媒体QoE存在的局限性，本发明将移动端流媒体QoE影响因素分为客观感知影响参数和心理效应影响参数，使用设备状态，用户观看位置与流媒体服务质量相结合，再根据系列位置效应对视频片段的影响权重系数，综合的评估用户质量体验情况，能提供准确有效，符合实际用户体验的QoE评估结果。

本发明的技术方案共分二个步骤：第一步，、移动流媒体用户QoE影响因素映射方法，即使用码率状态，码率切换幅度，码率切换次数映射为移动流媒体服务质量评价；同时考虑用户体验，加入设备抖动情况和用户观看位置的影响因素。第二步，移动流媒体用户QoE评价方法，即利用QoE影响因素的映射方法计算视频播放全程每个片段的QoE评分；再利用基于HAS(HTTP Adaptive Streaming)的系列位置效应量化方法，计算视频播放全程每个片段的影响权重系数；最后将每个片段的QoE评分与每个片段的权重系数作向量内积求得最终的用户QoE评分。

移动流媒体用户QoE评估方法，具体步骤如下：

步骤1.移动流媒体用户QoE影响因素映射方法；

S1.1：对于流媒体业务过程中的视频质量等级，视频质量切换等级差，本发明采用的映射算法分别如下：

视频质量等级η表示每个媒体片段等级与最高的视频质量等级的比值，如公式(1)，主要评价每个片段质量等级。其中Q_i表示第i片段的视频质量等级，N表示MPD中最高的质量等级。

视频质量切换等级差υ表示每个媒体分片在发生质量等级切换时上下切换幅度，如公式(2)，主要评价视频质量等级的大幅度跳变而造成的感官体验影响。其中Q_i-1表示上一片段的视频质量等级。

S1.2：对于流媒体业务过程中的设备稳定性、用户观看距离，本发明首先采用移动设备传感器分别测量设备稳定性、用户观看距离，再采用相应的映射算法分别如下：

用户观看距离测量方法：首先根据相关研究大量调研和精确测量，得出几种用户占比最大的观看位置下移动设备与水平面夹角的角度，通过大量实验表明这些角度能代表大多数用户在不同位置的观看角度。例如以下分别表示用户的四种不同观看位置以及设备摆放的角度(15°、40°、60°、75°)，由此用这些有限的位置组合来匹配用户当前所处的观看距离。最后使用加速度传感器进行了大量的实验，得到了四种观看状态下的三轴加速度特征，分别为：

(1)Lap-case(X：1.2，Y：0，Z：8.5,单位m/s2)

(2)Table-case(X：6，Y：0，Z：4.8,单位m/s2)

(3)Hand-case(X：7.3，Y：0，Z：4.2,单位m/s2)

(4)Table-moving(X：9.1，Y：0，Z：1.8,单位m/s2)

对应的观看距离分别为0.32m，0.22m，0.12m，0.60m。使用这些特殊状态的观看距离来匹配用户实际观看距离。当加速度传感器输出的实时三轴加速度符合上述的某种特征值(误差±0.5)则判断为相应的观看位置。

设备稳定性测量方法：采用基于加速度传感器的设备抖动状态检测方法，并加入用户主观感受评分阈值，从用户的角度更为准确的判断设备状态。该方法首先定义了一个存有n秒数据的滑动窗口；定义一个计数器c_d，一旦设备在滑动窗口内发生至少2s连续的方向变化则判断的一次抖动，c_d＝c_d+1；为了避免轻微抖动都自适应检测的影响，只有当方向变化值超过阀值T_G的时候计数器才会增加，定义如果在一个滑动窗口时间n秒内没加检测到抖动则将计数器c_d重置，同时设置了每秒4次的传感器采样率。具体如下算法1。MOS评分定义如式3：

MOS＝a₀+a_ampl*x₁+a_dur*x₂+a_speed*x₃ (3)

其中x₁表示设备在抖动时的振幅，x₂表示当前设备抖动的持续时间，x₃表示抖动时播放的速度。MOS模型参数a₀＝3.7，a_ampl＝-2.5723，a_dur＝-0.0494，a_speed＝-2.412。设定阀值为3.5，当MOS≥3.5时表示用户主观体验良好，MOS＜3.5时表示用户主观体验较差。一旦抖动计数器和MOS同时超过阀值则判定当前用户为较差的观看体验，不适合观看当前较高质量的视频。

算法1设备抖动状态检测

S1.3：定义当前视频片段时刻设备的抖动情况θ和当前视频片段时刻用户的观看位置σ。

公式如下(4)、(5)。其中θ和σ的值来自于上述设备抖动状态测量方法和用户观看距离检测算法的输出值，stable表示设备处于稳定状态，instable表示设备处于抖动状态，感官体验较差；In hand表示当前观看距离为0.12m，On table facing up表示当前观看距离为0.22m，On lap表示当前观看距离为0.32m，On当前观看距离为0.60m。

步骤2.移动流媒体用户QoE评价方法；

S2.1：根据上述映射方式，设定每个视频片断的QoE评估得分如下公式(6)：其中η表示视频质量等级，υ表示视频质量切换等级差，θ表示设备的抖动情况，σ表示用户的观看位置，a，b，c，d，e为相应的调和系数。

S2.2：采用基于HAS的系列位置效应量化方法，将近因效应和首因效应的影响程度与视频播放时间建立映射关系，获得整个视频中每个片段相对于整体所占权重ω_i，并根据视频的长度，动态的调整近因效应υ和首因效应ρ的影响强度。

定义1：影响强度函数f(t)。定义如下：

式(7)中近因效应因子θ，表示首因效应影响程度；近因效应因子δ，表示近因效应影响程度。t表示当前时刻，T表示整个视频业务结束时刻；

定义2：第i片段视频的影响强度f_i。假设第i片段的播放时间为t_i-1到t_i，那么该片段的持续时间为ΔT＝t_i-t_i-1。那么第i片段视频的影响强度可以表示为：

式(8)中ρ＝θΔT为离散后的首因因子，υ＝δΔT为离散后的近因因子，K表示总的视频片段数；

定义3：第i片段的权重ω_i。归一化后，便可以得到第i片段的权重ω_i，公式如下：

定义4：首因因子ρ和近因因子υ，表示首因效应和近因效应的影响强弱，随着视频时间的增长，首因效应逐渐减弱，而近因效应逐渐增强；

要获得ω_i，必须求得首因因子ρ和近因因子υ。首先定义首因效应影响起始m个片段的权重比例为a，近因效应影响末尾n个片段权重比例为b。当播放的自适应流足够长的时候，即K≥30时，获得如下计算公式：

由式(10)可以转化出式(11)，从而求得首因因子ρ和近因因子υ。

由附图1的实验可以得出结论随着首权重比例的减少，尾权重比例的增加，首因效应逐渐减弱，而近因效应逐渐增强。由此可以确定a,b与视频长度之前的相关性，从而动态的根据视频长度改变a,b的取值，从而改变首因效应和近因效应的权重大小。根据德国心理学家艾宾浩斯(H.Ebbinghaus)的记忆遗忘曲线公式y＝1-0.56x^0.06，在K≥136后对首因的印象已经相对较弱，而近因的影响逐渐增强，占据主导地位。从而拟合出a,b随视频长度变化的一次线性函数如公式(12)。由附图2可知，使用该方式能根据视频长度动态的改变首因效应和近因效应的影响程度。

由此计算得每个视频片段的权重系数为W＝(ω₁,ω₂,ω₃,...,ω_N)。

S2.3：整个自适应流媒体服务的整体体验质量评价估算公式(13)如下。其中s_i表示第i片段的QoE评分，ω_i表示第i片段的影响权重系数，Sn(N)表示整个视频播放过程中片段发生质量等级切换的总次数，ψ为调和参数。

本发明描述了一种综合考虑服务质量、环境因素和用户心理的移动流媒体用户体验质量QoE评估方法。使用服务质量因素中的码率等级、码率切换结合用户体验中的设备状态、观看位置来综合评价每个视频片段的用户QoE评分，再通过系列位置效应量化方法为视频播放全程每个片段计算影响权重系数，进行向量内积获得整体QoE评分。

本发明的优点如下：

(1)思路新颖。本发明将基于HAS的系列位置效应与QoE评价相结合，从用户主观的体验出发进行QoE评估。

(2)实现简单。本发明所述的移动流媒体用户QoE评估方法，采用客户端的服务质量数据以及基于传感器采用用户设备上下文数据作为评价因素，数据获取简便，实现起来比较简单。

(3)QoE评分准确性高。所获得的QoE评分与用户的主观感受较接近，对视频业务评价更加准确。

附图说明

图1为本发明的首因效应和近因效应权重比例a，b递增对比图。

图2为本发明的不同视频长度的首因、近因效应权重变化图。

图3为本发明的用户QoE与各影响因素映射图。

图4为本发明的系统示意图。

具体实施方式

本发明针对移动端流媒体，分别从用户主观与客观的角度出发，设计一种移动流媒体用户QoE评价方法，将设备状态，用户观看位置与流媒体服务质量相结合，根据系列位置效应对视频片段的影响权重系数，综合的评估用户质量体验情况。具体的用户QoE与各影响因素映射如下附图3所示。

移动流媒体用户QoE评估方法，具体步骤如下：

步骤1.移动流媒体用户QoE影响因素映射方法；

S1.1：对于流媒体业务过程中的视频质量等级，视频质量切换等级差，本发明采用的映射算法分别如下：

视频质量等级η表示每个媒体片段等级与最高的视频质量等级的比值，如公式(1)，主要评价每个片段质量等级。其中Q_i表示第i片段的视频质量等级，N表示MPD中最高的质量等级。

视频质量切换等级差υ表示每个媒体分片在发生质量等级切换时上下切换幅度，如公式(2)，主要评价视频质量等级的大幅度跳变而造成的感官体验影响。其中Q_i-1表示上一片段的视频质量等级。

S1.2：对于流媒体业务过程中的设备稳定性、用户观看距离，本发明首先采用移动设备传感器分别测量设备稳定性、用户观看距离，再采用相应的映射算法分别如下：

用户观看距离测量方法：首先根据相关研究大量调研和精确测量，得出几种用户占比最大的观看位置下移动设备与水平面夹角的角度，通过大量实验表明这些角度能代表大多数用户在不同位置的观看角度。例如以下分别表示用户的四种不同观看位置以及设备摆放的角度(15°、40°、60°、75°)，由此用这些有限的位置组合来匹配用户当前所处的观看距离。最后使用加速度传感器进行了大量的实验，得到了四种观看状态下的三轴加速度特征，分别为：

(5)Lap-case(X：1.2，Y：0，Z：8.5,单位m/s2)

(6)Table-case(X：6，Y：0，Z：4.8,单位m/s2)

(7)Hand-case(X：7.3，Y：0，Z：4.2,单位m/s2)

(8)Table-moving(X：9.1，Y：0，Z：1.8,单位m/s2)

对应的观看距离分别为0.32m，0.22m，0.12m，0.60m。使用这些特殊状态的观看距离来匹配用户实际观看距离。当加速度传感器输出的实时三轴加速度符合上述的某种特征值(误差±0.5)则判断为相应的观看位置。

设备稳定性测量方法：采用基于加速度传感器的设备抖动状态检测方法，并加入用户主观感受评分阈值，从用户的角度更为准确的判断设备状态。该方法首先定义了一个存有n秒数据的滑动窗口；定义一个计数器c_d，一旦设备在滑动窗口内发生至少2s连续的方向变化则判断的一次抖动，c_d＝c_d+1；为了避免轻微抖动都自适应检测的影响，只有当方向变化值超过阀值T_G的时候计数器才会增加，定义如果在一个滑动窗口时间n秒内没加检测到抖动则将计数器c_d重置，同时设置了每秒4次的传感器采样率。具体如下算法1。MOS评分定义如式3：

MOS＝a₀+a_ampl*x₁+a_dur*x₂+a_speed*x₃ (3)

其中x₁表示设备在抖动时的振幅，x₂表示当前设备抖动的持续时间，x₃表示抖动时播放的速度。MOS模型参数a₀＝3.7，a_ampl＝-2.5723，a_dur＝-0.0494，a_speed＝-2.412。设定阀值为3.5，当MOS≥3.5时表示用户主观体验良好，MOS＜3.5时表示用户主观体验较差。一旦抖动计数器和MOS同时超过阀值则判定当前用户为较差的观看体验，不适合观看当前较高质量的视频。

算法1设备震动状态检测

S1.3：定义当前视频片段时刻设备的抖动情况θ和当前视频片段时刻用户的观看位置σ。

公式如下(4)、(5)。其中θ和σ的值来自于上述基于加速度传感器检测设备稳定算法和距离检测算法的输出值，stable表示设备处于稳定状态，instable表示设备处于抖动状态，感官体验较差；In hand表示当前观看距离为0.12m，Ontable facing up表示当前观看距离为0.22m，On lap表示当前观看距离为0.32m，On当前观看距离为0.60m。

步骤2.移动流媒体用户QoE评价方法；

S2.1：根据上述映射方式，设定每个分段的QoE评估得分如下公式(6)：其中η表示视频质量等级，υ表示视频质量切换等级差，θ表示设备的抖动情况，σ表示用户的观看位置，a，b，c，d，e为相应的调和系数。

S2.2：采用基于HAS的系列位置效应量化方法，将近因效应和首因效应的影响程度与视频播放时间建立映射关系，获得整个视频中每个片段相对于整体所占权重ω_i，并根据视频的长度，动态的调整近因效应υ和首因效应ρ的影响强度。

定义1：影响强度函数f(t)。定义如下：

式(7)中近因效应因子θ，表示首因效应影响程度；近因效应因子δ，表示近因效应影响程度。t表示当前时刻，T表示整个视频业务结束时刻。

定义2：第i片段视频的影响强度f_i。假设第i片段的播放时间为t_i-1到t_i，那么该片段的持续时间为ΔT＝t_i-t_i-1。那么第i片段视频的影响强度可以表示为：

式(8)中ρ＝θΔT为离散后的首因因子，υ＝δΔT为离散后的近因因子，K表示总的视频片段数。

定义3：第i片段的权重ω_i。归一化后，便可以得到第i片段的权重ω_i，公式如下：

定义4：首因因子ρ和近因因子υ，表示首因效应和近因效应的影响强弱，随着视频时间的增长，首因效应逐渐减弱，而近因效应逐渐增强。

要获得ω_i，必须求得首因因子ρ和近因因子υ。首先定义首因效应影响起始m个片段的权重比例为a，近因效应影响末尾n个片段权重比例为b。当播放的自适应流足够长的时候，即K≥30时，获得如下计算公式：

由式(10)可以转化出式(11)，从而求得首因因子ρ和近因因子υ。

由附图1的实验可以得出结论随着首权重比例的减少，尾权重比例的增加，首因效应逐渐减弱，而近因效应逐渐增强。由此可以确定a,b与视频长度之前的相关性，从而动态的根据视频长度改变a,b的取值，从而改变首因效应和近因效应的权重大小。根据德国心理学家艾宾浩斯(H.Ebbinghaus)的记忆遗忘曲线公式y＝1-0.56x^0.06，在K≥136后对首因的印象已经相对较弱，而近因的影响逐渐增强，占据主导地位。从而拟合出a,b随视频长度变化的一次线性函数如公式(12)。由附图2可知，使用该方式能根据视频长度动态的改变首因效应和近因效应的影响程度。

由此计算得每个视频片段的权重系数为W＝(ω₁,ω₂,ω₃,...,ω_N)。

S2.3：整个自适应流媒体服务的整体体验质量评价估算公式(13)如下。其中s_i表示第i片段的QoE评分，ω_i表示第i片段的影响权重系数，Sn(N)表示整个视频播放过程中片段发生质量等级切换的总次数，ψ为调和参数。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.移动流媒体用户QoE评估方法，具体步骤如下：

步骤1.移动流媒体用户QoE影响因素映射方法；

S1.1：对于流媒体业务过程中的视频质量等级，视频质量切换等级差，采用的映射算法分别如下：

视频质量等级η表示每个媒体片段等级与最高的视频质量等级的比值，如公式(1)，主要评价每个片段质量等级。其中Q_i表示第i片段的视频质量等级，N表示MPD中最高的质量等级。

$\mathrm{\η}=\frac{Q_i}{N}---\left(1\right)$

视频质量切换等级差υ表示每个媒体分片在发生质量等级切换时上下切换幅度，公式(2)评价视频质量等级的大幅度跳变而造成的感官体验影响；其中Q_i-1表示上一片段的视频质量等级。

$\mathrm{\υ}=\frac{|Q_i-Q_{i-1}|}{N}---\left(2\right)$

S1.2：对于流媒体业务过程中的设备稳定性、用户观看距离，首先采用移动设备传感器分别测量设备稳定性、用户观看距离，再采用相应的映射算法分别如下：

用户观看距离测量方法：首先根据相关研究大量调研和精确测量，得出几种用户占比最大的观看位置下移动设备与水平面夹角的角度，通过大量实验表明这些角度能代表大多数用户在不同位置的观看角度；以下分别表示用户的四种不同观看位置以及设备摆放的角度15°、40°、60°、75°，由此用这些有限的位置组合来匹配用户当前所处的观看距离；最后使用加速度传感器进行了大量的实验，得到了四种观看状态下的三轴加速度特征，分别为：

(1)Lap-case(X：1.2，Y：0，Z：8.5,单位m/s2)

(2)Table-case(X：6，Y：0，Z：4.8,单位m/s2)

(3)Hand-case(X：7.3，Y：0，Z：4.2,单位m/s2)

(4)Table-moving(X：9.1，Y：0，Z：1.8,单位m/s2)

对应的观看距离分别为0.32m，0.22m，0.12m，0.60m；使用这些特殊状态的观看距离来匹配用户实际观看距离。当加速度传感器输出的实时三轴加速度符合上述的某种特征值，误差±0.5，则判断为相应的观看位置；

设备稳定性测量方法：采用基于加速度传感器的设备抖动状态检测方法，并加入用户主观感受评分阈值，从用户的角度更为准确的判断设备状态；首先定义了一个存有n秒数据的滑动窗口；定义一个计数器c_d，一旦设备在滑动窗口内发生至少2s连续的方向变化则判断的一次抖动，c_d＝c_d+1；为了避免轻微抖动都自适应检测的影响，只有当方向变化值超过阀值T_G的时候计数器才会增加，定义如果在一个滑动窗口时间n秒内没加检测到抖动则将计数器c_d重置，同时设置了每秒4次的传感器采样率。具体如下算法1。MOS评分定义如式3：

MOS＝a₀+a_ampl*x₁+a_dur*x₂+a_speed*x₃ (3)

其中x₁表示设备在抖动时的振幅，x₂表示当前设备抖动的持续时间，x₃表示抖动时播放的速度；MOS模型参数a₀＝3.7，a_ampl＝-2.5723，a_dur＝-0.0494，a_speed＝-2.412；设定阀值为3.5，当MOS≥3.5时表示用户主观体验良好，MOS＜3.5时表示用户主观体验较差；一旦抖动计数器和MOS同时超过阀值则判定当前用户为较差的观看体验，不适合观看当前较高质量的视频；

算法1 设备震动状态检测

S1.3：定义当前视频片段时刻设备的抖动情况θ和当前视频片段时刻用户的观看位置σ；

公式如下(4)、(5)。其中θ和σ的值来自于上述基于加速度传感器检测设备稳定算法和距离检测算法的输出值，stable表示设备处于稳定状态，instable表示设备处于抖动状态，感官体验较差；In hand表示当前观看距离为0.12m，On table facing up表示当前观看距离为0.22m，On lap表示当前观看距离为0.32m，On当前观看距离为0.60m。

$\mathrm{\θ}=\left\{\begin{array}{cc}0& stable\\ 1& instable\end{array}\right.---\left(4\right)$

$\mathrm{\σ}=\left\{\begin{array}{cc}0.12& Hand-case\\ 0.22& Table-case\\ 0.32& Lap-case\\ 0.60& Table-moving\end{array}\right.---\left(5\right)$

步骤2.移动流媒体用户QoE评价方法；

S2.1：根据上述映射方式，设定每个分段的QoE评估得分如下公式(6)：其中η表示视频质量等级，υ表示视频质量切换等级差，θ表示设备的抖动情况，σ表示用户的观看位置，a，b，c，d，e为相应的调和系数。

${\mathrm{QoE}}_{{\mathrm{seg}}_i}=a*\mathrm{\η}+b*\mathrm{\υ}+c*\mathrm{\θ}+d*\mathrm{\σ}+e---\left(6\right)$

S2.2：采用基于HAS的系列位置效应量化方法，将近因效应和首因效应的影响程度与视频播放时间建立映射关系，获得整个视频中每个片段相对于整体所占权重ω_i，并根据视频的长度，动态的调整近因效应υ和首因效应ρ的影响强度；

定义1：影响强度函数f(t)，定义如下：

$f\left(t\right)=\frac{1}{1+{\mathrm{\θ}}^2{t}^2}+\frac{1}{1+{\mathrm{\δ}}^2{(t-T)}^2},0\≤t\≤T---\left(7\right)$

式(7)中近因效应因子θ，表示首因效应影响程度；近因效应因子δ，表示近因效应影响程度；t表示当前时刻，T表示整个视频业务结束时刻；

定义2：第i片段视频的影响强度f_i。假设第i片段的播放时间为t_i-1到t_i，那么该片段的持续时间为ΔT＝t_i-t_i-1。那么第i片段视频的影响强度可以表示为：

$\begin{array}{c}{f}_i={\∫}_{t_{i-1}}^{t_i}\frac{1}{1+{\mathrm{\θ}}^2{t}^2}+\frac{1}{1+{\mathrm{\δ}}^2{(T-t)}^2}dt\\ ={\∫}_{(i-1)\mathrm{\Δ}T}^{i\mathrm{\Δ}T}\frac{1}{1+{\mathrm{\θ}}^2{t}^2}+\frac{1}{1+{\mathrm{\δ}}^2{(T-t)}^2}dt\\ =\frac{\mathrm{\Δ}T}{\mathrm{\υ}}\arctan \frac{\mathrm{\υ}}{1+{\mathrm{\υ}}^2(K-i)(K-i+1)}+\frac{\mathrm{\Δ}T}{\mathrm{\ρ}}\arctan \frac{\mathrm{\ρ}}{1+{\mathrm{\ρ}}^{2}i(i-1)},1\≤i\≤K\end{array}---\left(8\right)$

式(8)中ρ＝θΔT为离散后的首因因子，υ＝δΔT为离散后的近因因子，K表示总的视频片段数；

定义3：第i片段的权重ω_i。归一化后，便可以得到第i片段的权重ω_i，公式如下：

${\mathrm{\ω}}_i=\frac{f_i}{{\Σ}_1^K{f}_i}=\frac{arctan\frac{\mathrm{\υ}}{1+{\mathrm{\υ}}^2(K-i)(K-i+1)}+arctan\frac{\mathrm{\ρ}}{1+{\mathrm{\ρ}}^{2}i(i-1)}}{arctan\left(\mathrm{\ρ}K\right)+arctan\left(\mathrm{\υ}K\right)}---\left(9\right)$

定义4：首因因子ρ和近因因子υ，表示首因效应和近因效应的影响强弱，随着视频时间的增长，首因效应逐渐减弱，而近因效应逐渐增强；

要获得ω_i，必须求得首因因子ρ和近因因子υ。首先定义首因效应影响起始m个片段的权重比例为a，近因效应影响末尾n个片段权重比例为b；当播放的自适应流足够长的时候，即K≥30时，获得如下计算公式：

$\begin{array}{c}a=\underset{1}{\overset{m}{\Σ}}{\mathrm{\ω}}_i=\frac{\arctan \left(\mathrm{\ρ}m\right)+\arctan \left(\frac{\mathrm{\υ}m}{1+{\mathrm{\υ}}^{2}K(K-m)}\right)}{\arctan \left(\mathrm{\ρ}K\right)+\arctan \left(\mathrm{\υ}K\right)}=\frac{1}{\mathrm{\π}}\arctan \left(\mathrm{\ρ}m\right)\\ b=\underset{N-n+1}{\overset{N}{\Σ}}{\mathrm{\ω}}_i=\frac{\arctan \left(\mathrm{\υ}n\right)+\arctan \left(\frac{\mathrm{\ρ}n}{1+{\mathrm{\ρ}}^{2}K(K-n)}\right)}{\arctan \left(\mathrm{\ρ}K\right)+\arctan \left(\mathrm{\υ}K\right)}=\frac{1}{\mathrm{\π}}\arctan \left(\mathrm{\υ}n\right)\end{array}---\left(10\right)$

$\begin{array}{cc}\mathrm{\ρ}=\frac{1}{m}\tan \left(\mathrm{\π}a\right),& 0\≤a\≤0.5\\ \mathrm{\υ}=\frac{1}{n}\tan \left(\mathrm{\π}b\right),& 0\≤b\≤0.5\end{array}---\left(11\right)$

由式(10)可以转化出式(11)，从而求得首因因子ρ和近因因子υ；

拟合出a,b随视频长度变化的一次线性函数如公式(12)

$a=\left\{\begin{array}{cc}-0.0034K+0.406& 10\≤K\≤136\\ 0.1& K>136\end{array}\right.,b=0.5-a---\left(12\right)$

由此计算得每个视频片段的权重系数为W＝(ω₁,ω₂,ω₃,...,ω_N)；

S2.3：整个自适应流媒体服务的整体体验质量评价估算公式(13)如下。其中s_i表示第i片段的QoE评分，ω_i表示第i片段的影响权重系数，Sn(N)表示整个视频播放过程中片段发生质量等级切换的总次数，ψ为调和参数。

$QOE=\underset{i=0}{\overset{n}{\Σ}}{s}_i\×{\mathrm{\ω}}_i+\mathrm{\ψ}*Sn\left(N\right)---\left(13\right)$