CN111314691B - 一种视频通话质量评估方法和装置 - Google Patents

Abstract

本发明实施例提供一种视频通话质量评估方法和装置，其中所述方法包括：基于核心网获取网络参数；将所述网络参数输入至质量评估模型，获取所述质量评估模型输出的评估分数；其中，所述质量评估模型是基于样本网络参数和样本评估分数训练得到的。本发明实施例提供的方法和装置，通过从核心网获取网络参数，数据来源集合，实时性强，为视频通话质量评估提供了全面可靠的评估依据。将网络参数输入至质量评估模型获取评估分数，保证了视频通话质量评估的准确性。

Description

一种视频通话质量评估方法和装置

技术领域

本发明实施例涉及移动多媒体通信技术领域，尤其涉及一种视频通话质量评估方法和装置。

背景技术

近年来，随着互联网技术的进步、多媒体通讯技术的发展和第四代移动通讯系统的普及，移动视频通信业务在生活和工作中愈发重要。其中，基于VoLTE(Voice over Long-Term Evolution，Voice over Long-Term Evolution)的视频通话技术，凭借其接通等待时间更短，以及更高质量、更自然的语音视频通话效果，受到了广泛的关注。

当前，针对VoLTE视频通话质量的评估方法，基本都是通过恢复传输数据包中的视频内容进行，通过主观评估方法进行校准而得到评估模型，再通过模型对视频通话质量进行评估。例如，通过在手机端抓包来恢复原始视频和退化视频，并对视频进行评估，受用户侧手机终端数据采集的局限，无法实现对VoLTE视频通话的准实时评估和监测。又例如，将传输数据包进行整合和视频还原转换后，通过统计视频帧解码时间和视频帧参数来进行评估，该方法只对视频图像进行评估，并没有考虑音频质量对视频通话的体验质量的影响。

针对上述问题，如何准确、全面地对视频通信质量进行实时评价是仍然是移动多媒体通信技术领域亟待解决的问题。

发明内容

本发明实施例提供一种视频通话质量评估方法和装置，用以解决现有的视频通话质量评估方法无法实时、全面评估的问题。

第一方面，本发明实施例提供一种视频通话质量评估方法，包括：

基于核心网获取网络参数；

将所述网络参数输入至质量评估模型，获取所述质量评估模型输出的评估分数；其中，所述质量评估模型是基于样本网络参数和样本评估分数训练得到的。

第二方面，本发明实施例提供一种视频通话质量评估装置，包括：

获取单元，用于基于核心网获取网络参数；

评估单元，用于将所述网络参数输入至质量评估模型，获取所述质量评估模型输出的评估分数；其中，所述质量评估模型是基于样本网络参数和样本评估分数训练得到的。

第三方面，本发明实施例提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如第一方面所提供的方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。

本发明实施例提供的一种视频通话质量评估方法和装置，通过从核心网获取网络参数，数据来源集合，实时性强，为视频通话质量评估提供了全面可靠的评估依据。将网络参数输入至质量评估模型获取评估分数，保证了视频通话质量评估的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的视频通话质量评估方法的流程示意图；

图2为本发明另一实施例提供的视频通话质量评估方法的流程示意图；

图3为本发明实施例提供的视频通话质量评估装置的结构示意图；

图4为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对当前的VoLTE视频通话质量评估方法存在的无法实现对VoLTE视频通话的实时、全面评估和监测的问题，本发明实施例提供了一种视频通话质量评估方法。图1为本发明实施例提供的视频通话质量评估方法的流程示意图，如图1所示，该方法包括：

110，基于核心网获取网络参数。

具体地，在VoLTE视频通话过程中，用户终端通过麦克风采集音频、摄像头采集图像，分别经过编码器编码成音频和视频流，再通过调制解调器发往网络，经过无线网、核心网，再传送到被叫用户终端，分别经过解码后还原成音频和视频。在此过程中，从核心网中采集VoLTE视频通话的数据包，并从中获取网络参数。此处，网络参数用于表征VoLTE视频通话质量，网络参数可以包括音频丢包率、音频时延、视频码率、视频帧率、视频丢包率和视频时延，还可以包括RTP音频丢包率、RTP视频丢包率和RTP视频码率，还可以包括音频编码和视频编码，本发明实施例对此不作具体限定。

120，将网络参数输入至质量评估模型，获取质量评估模型输出的评估分数；其中，质量评估模型是基于样本网络参数和样本评估分数训练得到的。

具体地，在获取网络参数后，将网络参数输入至质量评估模型中，质量评估模型基于网络参数对视频通话质量进行评估，进而输出评估分数。此处，评估分数用于表征基于网络参数获取的视频通话质量评估结果，评估分数的高低代表了视频通话质量的高低。

另外，在执行步骤120之前，还可以预先训练得到质量评估模型，具体可通过如下方式训练得到：首先，收集大量样本网络参数与样本评估分数；其中，样本网络参数是从核心网中采集得到的用于表征视频通话质量的样本参数，样本评估分数是预先设定的视频通话质量评估结果，每组样本网络参数对应一个样本评估分数。基于样本网络参数和样本评估分数对初始模型进行训练，从而得到质量评估模型。其中，初始模型可以是单一神经网络模型，也可以是多个神经网络模型的组合，本发明实施例不对初始模型的类型和结构作具体限定。

本发明实施例提供的方法，通过从核心网获取网络参数，数据来源集合，实时性强，为视频通话质量评估提供了全面可靠的评估依据。将网络参数输入至质量评估模型获取评估分数，保证了视频通话质量评估的准确性。

基于上述实施例，步骤110具体包括：基于核心网的S1-U接口获取视频通话的数据包；对数据包进行解码，得到网络参数；其中，网络参数包括音频编码、音频码率、音频丢包率、音频时延、视频编码、视频分辨率、视频码率、视频帧率、视频丢包率、视频时延、RTP音频丢包率、RTP视频丢包率、RTP视频码率中的至少一种。

具体地，S1接口是LTE eNodeB(基站)与EPC(分组核心网)之间的通讯接口。S1-U接口用于连接基站和服务网关，在基站和服务网关之间建立隧道，传送用户数据业务。本发明实施例中，从S1-U接口中获取基站与服务网关之间传输的用于执行视频通话的数据包，此处的数据包可以包括SIP(Session Initiation Protocol，会话初始协议)、RTP(Real-timeTransport Protocol，实时传输协议)和RTCP(Real-time Transport Control Protocol，实时传输协议)数据包。在得到上述数据包后，对数据包进行解码，得到数据包中包含的网络参数。此处，网络参数可以通过如下表格表示：

本发明实施例提供的方法，通过核心网S1-U接口传输的数据包中的视频参数以及统计的网络指标获取网络参数，从而减少了数据处理量，处理效率高，并使自动化准实时处理成为可能。

基于上述任一实施例，步骤110和步骤120之间还包括：对网络参数进行预处理；预处理包括填补缺失值、数据特征转换和数据标准化中的至少一种。

需要说明的是，预处理步骤既可以应用于通过网络参数评估当前视频通话质量之前，还可以应用于对质量评估模型进行训练之前，也就是说既可以对评估阶段的网络参数进行预处理，还可以对训练阶段的样本网络参数进行预处理。

其中，填补缺失值是针对网络参数中存在某一特征值缺失的情况，将该特征值的平均值作为填充值。通过使用填充算法实现对缺失值的非0填充，避免了无法被质量评估模型学习的问题，同时相比直接用0进行填充更加接近网络实际情况。例如，在训练过程中，样本网络参数缺失了RTP音频丢包率。对大量样本网络参数中RTP音频丢包率的值进行平均，得到RTP音频丢包率的平均值0.0002并填充至样本网络参数中RTP音频丢包率的缺失处。又例如，样本网络参数缺失了RTP视频丢包率和RTP视频码率。对大量样本网络参数中RTP视频丢包率和RTP视频码率的值进行分别平均，得到RTP视频丢包率的平均值为0.0007，RTP视频码率平均值为772290.4,，则分别将上述平均值并填充至样本网络参数中RTP视频丢包率和RTP视频码率的缺失处。

数据特征转换是指针对采集得到的网络参数中的字符串类型的指标，进行特征转换，从而使得该指标的类型可以通过数字形式表示。例如，视频编码有H264、H265两种类型，将H264转换为1，H265转换为0。

数据标准化是指对网络参数中的特征值进行标准化处理，使得经过处理后的特征值符合标准正态分布。此处，标准正态分布的均值为0、标准差为1，其转换函数如下：

式中，x^*是标准化后的值，x是原始值，μ是平均值，σ是标准差。通过进行数据标准化，将所有数据都缩放在一个特定的区间，以防少量太大、大小的样本对整体训练产生极大的影响，大大影响模型的泛化能力。例如，下表用于对执行数据标准化前后的样本网络参数中的视频码率对比：

此外，针对样本网络参数，在进行训练之前，对样本网络参数进行的预处理还可以包括数据采样，即通过随机抽取将样本网络参数分为训练集和测试集两部分，其中训练集用于模型训练，而测试集不参与模型训练的过程，用于验证模型训练的好坏。例如，随机抽取原始数据的70％作为训练集，30％作为测试集，于是数据被划分为两份：训练集、测试集，而每一份数据里面的内容没有任何变化。

基于上述任一实施例，步骤120之前，还包括：101，采集样本网络参数；102，从样本网络参数中提取有效特征；103，基于有效特征和样本评估分数对初始模型进行训练，得到质量评估模型。

具体地，通过采集得到样本网络参数后，需要从样本网络参数中提取用于模型训练的有效特征，此处，有效特征是指能够对视频通话质量评估的评估结果产生明显影响的特征。有效特征的选取，有利于减少用于训练的特征的维度，避免数据冗余，缩短训练时间，提升模型训练效率和训练效果。

基于上述任一实施例，步骤102具体包括：基于逐步删除法，获取样本网络参数中的若干个特征与样本评估分数之间的相关系数、基于若干个特征获取的预设分数与样本评估分数之间的均方差和平均绝对误差；基于相关系数、均方差和平均绝对误差，从样本网络参数中提取有效特征。

具体地，预设分数是针对样本网络参数预先设置的期望评估分数。若干个特征与样本评估分数之间的相关系数、预设分数与样本评估分数之间的均方差和平均绝对误差用于衡量当前用于样本评估分数的特征的在视频通话质量评估方面的重要性，继而根据特征的重要性确定有效特征。

其中，相关系数是研究变量之间线性相关程度的量。本发明实施例中，相关系统用于表征当前用于评估的特征与评估分数之间的相关程度，相关程度越高，则对应的特征为有效特征的概率越大。相关系统是一个分布在[-1,1]之间的数值，趋近于1，说明正相关性很高，模型拟合很好；如果趋近于-1，说明有很强的负相关；如果趋近于0，说明没有什么相关性，模型效果很差。相关系数r(X,Y)的公式如下：

其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，X为样本网络参数中的若干个特征的组合，Y为预设分数。

均方差用于表征预设分数与样本评估分数之间的差别，均方差越小，则说明当前用于评估的特征为有效特征的概率越大，均方差的公式如下：

平均绝对误差用于表征预设分数与样本评估分数之间的差别，平均绝对误差越小，则说明当前用于评估的特征为有效特征的概率越大，平均绝对误差的公式如下：

在样本网络参数中存在若干个特征，本发明实施例中基于逐步删除法，根据预设顺序依次删除全部特征中的几个特征，并基于剩余特征进行视频通话质量评估，得到样本评估分数，从而得到剩余特征对应的相关系数、均方差和平均绝对误差。在依次删除全部特征中的几个特征后，获取到多组不同的剩余特征对应的相关系数、均方差和平均绝对误差，并基于上述多组不同的剩余特征对应的相关系数、均方差和平均绝对误差，从样本网络参数中的全部特征中，选取有效特征。

例如，VoLTE视频通话的样本网络参数中包含的特征有：音频编码、音频码率、音频丢包率、音频时延、视频编码、视频分辨率、视频码率、视频帧率、视频丢包率、视频时延、RTP音频丢包率、RTP视频丢包率、RTP视频码率。下表为使用逐步删除法进行有效特征筛选得到的特征筛选对比结果表。

根据上表所示的结果可知。当删除“音频丢包率、音频时延、视频码率、视频帧率、视频丢包率”这几个特征中的任意一个时，通过特征组合对应的相关系数、均方差和平均绝对误差表现的模型效果明显降低；而当删除“视频时延、RTP音频丢包率、RTP视频丢包率、RTP视频码率”中的任意一个时，模型效果有一点降低，但不明显。由此推断得出，音频丢包率、音频时延、视频码率、视频帧率、视频丢包率是对模型效果最重要的，视频时延、RTP音频丢包率、RTP视频丢包率、RTP视频码率是对模型效果次重要的。

基于上述任一实施例，有效特征包括音频丢包率、音频时延、视频码率、视频帧率、视频丢包率、视频时延、RTP音频丢包率、RTP视频丢包率和RTP视频码率。

基于上述任一实施例，初始模型为梯度提升树模型。

具体地，梯度提升树(Gradient Boosting Decision Tree，GBDT)是一种迭代的决策树算法，由多棵决策树组成，所有树的结论累加起来作为最终答案。GBDT是一个应用很广泛的算法，可以用于分类，回归和特征选择等。

本发明实施例中，基于样本网络参数对梯度提升树模型进行训练的步骤如下：

首先，将样本网络参数输入梯度提升树模型：

对样本网络参数中的每一特征和样本网络参数对应的样本评估分数进行抽象表示，得到训练集抽象结果如下表所示：

将上表中的(X1,X2,X3,···，X13)表示为x，Y表示为y。于是上述训练集可表示为T＝{(x1,y1),(x2,y2),(…)}，其中(x1,y1)表示输入数据的第一行。

其次，对梯度提升树模型进行训练，训练步骤如下：

获取每个属性的最佳分裂点，使得预测值跟实际值之间的均方差最小。

例如，下表为输入梯度提升树模型的输入数据：

针对x_i，存在切分点(1.5，2.5，3.5，4.5，5.5，6.5，7.5，8.5，9.5)。

对于上述的每一个切分点(将数据切分为两份)，计算出预测值，例如切分点为2.5，那么切分点2.5对应的两个预测值分别为：

c1＝(5.56+5.70)/2＝5.63；

c2＝(5.91+6.40+6.80+7.05+8.90+8.70+9.00+9.05)/8＝7.73。

由此可以得到一个简易模型：如果x<2.5，则预测值为5.63，如果x>2.5,则预测值为7.73。

以上过程会得到一个残差m(s)＝∑(y_i-c1)²+∑(y_i-c2)²＝12.07，即预测值跟实际值的误差平方和。针对每一分列点，对应的残差如下表所示：

显然，存在一个最佳分列点，使得预测值跟实际值的误差平方和最小，将这个点成为最佳分列点。由上表可知，以上训练集的最佳分列点是6.5。对应模型公式如下：

f₁(x)＝T₁(x)；

随后，根据如下公式计算梯度：

由此得到训练集对应的梯度值如下：

在此基础上，对梯度进行拟合，得到如下公式：

通过f₂(x)拟合训练数据的平方损失误差为：

继续求得：

f₆(x)就是最终得到的提升树，由此可知提升树训练的过程中，误差不断减少，预测值越来越准确。

基于上述训练方法训练梯度提升树模型，并将训练好的模型公式作为质量评估模型保存，用于对实时获取的网络参数进行评估。

随后，进行模型验证。随机抽取2组数据进行验证，预测评估结果如下表：

通过质量评估模型输出的评估分数(Result)与参考结果(Vtmos)的误差都在±3％范围内，确定质量评估模型满足预设条件，可以应用于对VoLTE视频通话进行评估。

本发明实施例提供的方法，采用梯度提升树模型计算方法来进行视频质量的评估预测，使得VoLTE视频通话质量评估更快捷、更智能、更准确。同时，该方法的研发，打破了大厂家的软件算法的垄断地位，避免采购大厂家软件算法而节省了大量成本，同时也具有很好的行业推广价值。

基于上述任一实施例，图2为本发明另一实施例提供的视频通话质量评估方法的流程示意图，如图2所示，视频通话质量评估方法，包括如下步骤：

首先收集大量样本网络参数，并预先设定样本网络参数的样本评估分数。对样本网络参数进行填补缺失值、数据特征转换和数据标准化等预处理操作，使得经过预处理后的样本网络参数能够符合机器学习算法的输入要求。

随后，基于逐步删除法，获取所述样本网络参数中的若干个特征与所述样本评估分数之间的相关系数、基于所述若干个特征获取的预设分数与所述样本评估分数之间的均方差和平均绝对误差；

基于逐步删除法，根据预设顺序依次删除全部特征中的几个特征，并基于剩余特征进行视频通话质量评估，得到样本评估分数，从而得到剩余特征对应的相关系数、均方差和平均绝对误差。在依次删除全部特征中的几个特征后，获取到多组不同的剩余特征对应的相关系数、均方差和平均绝对误差，并基于上述多组不同的剩余特征对应的相关系数、均方差和平均绝对误差，从样本网络参数中的全部特征中，选取有效特征。有效特征包括音频丢包率、音频时延、视频码率、视频帧率、视频丢包率、视频时延、RTP音频丢包率、RTP视频丢包率和RTP视频码率。

随后，将样本网络参数随机分为两部分，一部分作为训练数据，用于训练初始模型，另一部分作为验证数据，对训练完成后的初始模型进行验证，判断训练完成后的初始模型是否满足预设条件。此处，初始模型为梯度提升树模型。通过将训练数据中的样本网络参数的有效特征和样本网络参数对应的样本评估分数输入至初始模型，对初始模型进行训练。完成训练后，将验证数据中的样本网络参数的有效特征输入至初始模型，获取初始模型输出的预测结果，并将预测结果与样本网络参数对应的样本评估分数比较，判断初始模型是否满足模型训练的预设条件。如果满足，则确定初始模型训练完成，将初始模型作为质量评估模型。

在VoLTE视频通话过程中，基于核心网的S1-U接口获取视频通话的数据包。对数据包进行解码，得到网络参数。对网络参数进行预处理，并将预处理后的网络参数输入至质量评估模型，获取质量评估模型输出的评估分数。

本发明实施例提供的方法，针对VoLTE视频质量，从网络性能、业务质量、客户感知三个不同层次实现对VoLTE视频质量的评估，全面评估网络用户的VoLTE视频质量，对全网的VoLTE视频质量起到有效的提升和把控。和现有技术相比，本发明实施例提供的方法，对终端软件无要求，在客观评估数据基础上应用数据预处理和机器学习技术，评估准确度高；可以使用核心网接口传输的视频参数以及统计的网络指标，从而减少了数据处理量，处理效率高，并使自动化准实时处理成为可能。

基于上述任一实施例，图3为本发明实施例提供的视频通话质量评估装置的结构示意图，如图3所示，视频通话质量评估装置，包括获取单元310和评估单元320；

其中，获取单元310用于基于核心网获取网络参数；

评估单元320用于将所述网络参数输入至质量评估模型，获取所述质量评估模型输出的评估分数；其中，所述质量评估模型是基于样本网络参数和样本评估分数训练得到的。

本发明实施例提供的装置，通过从核心网获取网络参数，数据来源集合，实时性强，为视频通话质量评估提供了全面可靠的评估依据。将网络参数输入至质量评估模型获取评估分数，保证了视频通话质量评估的准确性。

基于上述任一实施例，获取单元310具体用于基于所述核心网的S1-U接口获取视频通话的数据包；对所述数据包进行解码，得到所述网络参数；其中，所述网络参数包括音频编码、音频码率、音频丢包率、音频时延、视频编码、视频分辨率、视频码率、视频帧率、视频丢包率、视频时延、RTP音频丢包率、RTP视频丢包率、RTP视频码率中的至少一种。

基于上述任一实施例，该装置还包括预处理单元；所述预处理单元用于对所述网络参数进行预处理；所述预处理包括填补缺失值、数据特征转换和数据标准化中的至少一种。

基于上述任一实施例，该装置还包括训练单元；所述训练单元包括采集子单元、提取子单元和训练子单元；

其中，采集子单元用于采集所述样本网络参数；

提取子单元用于从所述样本网络参数中提取有效特征；

训练子单元用于基于所述有效特征和所述样本评估分数对初始模型进行训练，得到所述质量评估模型。

基于上述任一实施例，提取子单元具体用于基于逐步删除法，获取所述样本网络参数中的若干个特征与所述样本评估分数之间的相关系数、基于所述若干个特征获取的预设分数与所述样本评估分数之间的均方差和平均绝对误差；基于所述相关系数、所述均方差和所述平均绝对误差，从所述样本网络参数中提取有效特征。

基于上述任一实施例，所述初始模型为梯度提升树模型。

基于上述任一实施例，所述有效特征包括音频丢包率、音频时延、视频码率、视频帧率、视频丢包率、视频时延、RTP音频丢包率、RTP视频丢包率和RTP视频码率。

图4为本发明实施例提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储在存储器403上并可在处理器401上运行的计算机程序，以执行上述各实施例提供的视频通话质量评估方法，例如包括：基于核心网获取网络参数；将所述网络参数输入至质量评估模型，获取所述质量评估模型输出的评估分数；其中，所述质量评估模型是基于样本网络参数和样本评估分数训练得到的。

此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的视频通话质量评估方法，例如包括：基于核心网获取网络参数；将所述网络参数输入至质量评估模型，获取所述质量评估模型输出的评估分数；其中，所述质量评估模型是基于样本网络参数和样本评估分数训练得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种视频通话质量评估方法，其特征在于，包括：

基于核心网获取网络参数；

将所述网络参数输入至质量评估模型，获取所述质量评估模型输出的评估分数；其中，所述质量评估模型是基于从样本网络参数中提取的有效特征，以及样本评估分数训练得到的；

所述有效特征的提取是基于所述样本网络参数与所述样本评估分数之间的相关系数，以及预设分数与所述样本评估分数之间的均方差和平均绝对误差进行的，所述预设分数是基于所述样本网络参数获取的；

所述相关系数、所述均方差和所述平均绝对误差用于衡量用于所述样本评估分数的特征在视频通话质量评估中的重要程度，所述相关系数用于表征所述样本网络参数与所述样本评估分数之间的相关程度。

2.根据权利要求1所述的方法，其特征在于，所述基于核心网获取网络参数，具体包括：

基于所述核心网的S1-U接口获取视频通话的数据包；

对所述数据包进行解码，得到所述网络参数；

其中，所述网络参数包括音频编码、音频码率、音频丢包率、音频时延、视频编码、视频分辨率、视频码率、视频帧率、视频丢包率、视频时延中的至少一种。

3.根据权利要求1所述的方法，其特征在于，所述将所述网络参数输入至质量评估模型，获取所述质量评估模型输出的评估分数，之前还包括：

对所述网络参数进行预处理；

所述预处理包括填补缺失值、数据特征转换和数据标准化中的至少一种。

4.根据权利要求1所述的方法，其特征在于，所述将所述网络参数输入至质量评估模型，获取所述质量评估模型输出的评估分数，之前还包括：

采集所述样本网络参数；

从所述样本网络参数中提取有效特征；

基于所述有效特征和所述样本评估分数对初始模型进行训练，得到所述质量评估模型。

5.根据权利要求4所述的方法，其特征在于，所述从所述样本网络参数中提取有效特征，具体包括：

基于逐步删除法，获取所述样本网络参数中的若干个特征与所述样本评估分数之间的相关系数、基于所述若干个特征获取的预设分数与所述样本评估分数之间的均方差和平均绝对误差；

基于所述相关系数、所述均方差和所述平均绝对误差，从所述样本网络参数中提取有效特征。

6.根据权利要求4所述的方法，其特征在于，所述初始模型为梯度提升树模型。

7.根据权利要求4所述的方法，其特征在于，所述有效特征包括音频丢包率、音频时延、视频码率、视频帧率、视频丢包率和视频时延。

8.一种视频通话质量评估装置，其特征在于，包括：

获取单元，用于基于核心网获取网络参数；

评估单元，用于将所述网络参数输入至质量评估模型，获取所述质量评估模型输出的评估分数；其中，所述质量评估模型是基于从样本网络参数中提取的有效特征，以及样本评估分数训练得到的；

所述有效特征的提取是基于所述样本网络参数与所述样本评估分数之间的相关系数，以及预设分数与所述样本评估分数之间的均方差和平均绝对误差进行的，所述预设分数是基于所述样本网络参数获取的；

所述相关系数、所述均方差和所述平均绝对误差用于衡量用于所述样本评估分数的特征在视频通话质量评估中的重要程度，所述相关系数用于表征所述样本网络参数与所述样本评估分数之间的相关程度。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如权利要求1至7任一所述的方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。

Images