CN113038118A - 一种基于大数据环境下的视频QoE预测系统及方法 - Google Patents

一种基于大数据环境下的视频QoE预测系统及方法 Download PDF

Info

Publication number
CN113038118A
CN113038118A CN202011423524.3A CN202011423524A CN113038118A CN 113038118 A CN113038118 A CN 113038118A CN 202011423524 A CN202011423524 A CN 202011423524A CN 113038118 A CN113038118 A CN 113038118A
Authority
CN
China
Prior art keywords
data
video
module
video stream
feature
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.)
Granted
Application number
CN202011423524.3A
Other languages
English (en)
Other versions
CN113038118B (zh
Inventor
龙昭华
崔永明
唐龙齐
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011423524.3A priority Critical patent/CN113038118B/zh
Publication of CN113038118A publication Critical patent/CN113038118A/zh
Application granted granted Critical
Publication of CN113038118B publication Critical patent/CN113038118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明请求保护一种基于大数据环境下的视频QoE预测系统及方法。包括视频流采集预处理模块：用于通过多媒体数据中心下载大规模视频流数据，经过过滤层筛选出视频流数据包，同时对捕获的数据包进行特征提取；特征选择及数据分析模块：采用Spark并行集成特征选择算法进行视频流特征提取；筛选出优质性能指标；通过设置评估标准的阈值来判断类别相关，经过特征选择算法不断筛选删除冗余集合，获得特征指标集合；视频QoE预测模块：用于将特征指标集合作为小波神经网络的输入，并添加权值向量进行误差修正，经过激活函数得到的结果即为视频QoE预测的结果。本发明在计算速度和处理大规模网络流量效率等方面有着显著提升，最终提高用户观看视频的QoE体验。

Description

一种基于大数据环境下的视频QoE预测系统及方法
技术领域
本发明属于视频QoE预测的领域，主要涉及大规模视频数据流量分析处理， 构建一种动态的负载均衡网络模型，并基于该模型预测用户观看视频的体验质 量(QoE)。
背景技术
随着大数据时代的到来，网络视频流量呈现指数级增长，为了有效的管控 网络资源，提高网络安全性，提高视频流畅度，增加用户观看视频的体验满意 度，需要对视频流量进行准确的分类，现有的技术中有人提出基于QoE的速率 选择机制，但并未解决大规模流量分类的问题。有提出基于强化学习的自适应 速率参数实时自适应机制，并充分考虑每个用户网络条件的特征，增强自适应 模型的定制性，以确保每个用户都可以获得最佳的视频服务质量(QoE)。该系 统会预先计算给定的视频码率自适应算法在不同网络条件时的最佳参数设置， 然后在运行时根据客户端连接的当前网络状态，特别是吞吐量和吞吐量可变性来自动调整自适应速率算法的参数，从而改善该算法的动态范围,但并未考虑网 络负载均衡的问题。基于上述的局限性，本发明提出一种基于大数据环境下的 视频QoE预测系统及方法。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于大数据环境下的视频 QoE预测系统及方法。本发明的技术方案如下：
一种基于大数据环境下的视频QoE预测系统，其包括：
视频流采集预处理模块、特征选择及数据分析模块及视频QoE预测模块，其中，
视频流采集预处理模块：用于通过多媒体数据中心下载大规模视频流数据， 经过过滤层筛选出视频流数据包，同时对捕获的数据包进行特征提取；
特征选择及数据分析模块：用于采用Spark并行集成特征选择算法进行视频 流特征提取；采用决策树算法根据设定的评估标准，消除类别相关性弱和冗余 的特征，从大规模视频数据流量中筛选出优质性能指标；通过设置评估标准的 阈值来判断类别相关，经过特征选择算法不断筛选删除冗余集合，获得一个类 别相关性大于预设值且特征间相关性小于预设值的特征指标集合；
视频QoE预测模块：用于将特征选择及数据分析模块得到的特征指标集合 作为小波神经网络的输入，并添加权值向量ωij k进行误差修正，经过激活函数得 到的结果即为视频QoE预测的结果。
进一步的，所述视频流采集预处理模块包括流量分类模块、数据处理模块 和特征提取模块，其中，流量分类模块用于从大规模网络流量中分类出视频流 数据包；数据处理模块用于指将视频流数据包存储到分布式文件系统上，并对 捕获的视频流数据包进行数据分析，在基于视频流特征指标相关性的基础上选 择特征类别相关性大于阈值的特征数据集，数据处理模块对捕获的视频流数据 包进行分析，特征提取模块用于初步筛选得出影响用户观看视频体验质量QoE 的特征指标集合。
进一步的，所述特征选择及数据分析模块中，决策树生成步骤主要为3个 部分：
1)特征选择步骤：从训练数据中众多的特征中选择一个特征作为当前节点 的分裂标准；使用决策树进行决策的过程就是从根节点开始，测试待分类项中 相应的特征属性并按照其值选择输出分支，直到到达叶子节点，将叶子节点存 放的类别作为决策结果；
2)决策树生长步骤：根据选择的特征评估标准，从上至下递归生成子节点， 直到数据集不可分则停止决策树生长；
3)剪枝步骤：通过剪枝缩小树结构规模，缓解过拟合状态。
进一步的，决策树计算相关性步骤具体为：规则集表示从根节点到叶节点的 路径，子规则表示规则集中的一条规则；
1)首先从2棵决策树x1和x2的规则集中依据节点数相近原则选择2条规 则集，然后根据式(1)来计算数据集的相似度simx1,x2，
Figure BDA0002823633890000031
其中m为节点个数,simi是决策树规则集中具有相近节点数的相似度；
2)如果子规则的形式是非数值属性，利用式(2)计算相似度simi,
Figure BDA0002823633890000032
其中n为节点个数；
3)如果子规则数值是数值型的，那么就使用式(3)来计算相似度simi,
Figure BDA0002823633890000033
其中k为自定义的评估标准的阈值，m为决策树。
进一步的，所述视频QoE预测模块采用小波神经网络自适应地调节模型的节 点数量，使得整个网络实现动态的负载均衡，将上一阶段得到的特征指标集合 作为小波神经网络的输入，并添加权值向量ωij k进行误差修正，设定ωij k为第k-1 层第i个神经元至第k层第j个神经元的权值向量，在传递函数上，中间层选用 激活函数
Figure BDA0002823633890000034
输出层选用Purelin线性函数，即线性求和，a为小 波神经网络的伸缩因子，b为小波神经网络的平移因子。
一种基于大数据环境下的视频QoE预测系统方法，其包括以下步骤：
视频流采集预处理步骤、特征选择及数据分析步骤及视频QoE预测步骤， 其中，
视频流采集预处理步骤包括：通过多媒体数据中心下载大规模视频流数据， 经过过滤层筛选出视频流数据包，同时调用数据处理模块对捕获的数据包进行 特征提取。
特征选择及数据分析步骤包括：用Spark并行集成特征选择算法进行视频流 特征提取。采用决策树算法根据特定的评估标准，消除类别相关性弱和冗余的 特征，从大规模视频数据流量中筛选出优质性能指标，降低特征空间复杂度， 通过设置评估标准的阈值来判断类别相关，经过特征选择算法不断筛选删除冗 余集合，获得一个类别相关性很强的且特征间相关性很弱的优质特征集合。
视频QoE预测步骤包括：将上一阶段得到的特征指标集合作为小波神经网 络的输入，并添加权值向量ωij k进行误差修正，经过激活函数得到的结果即为视 频QoE预测的结果。
本发明的优点及有益效果如下：
本发明首先，考虑到视频QoE预测机制受大规模网络视频流量的传输影响， 实际情况中，网络在传输大规模流量时，可能会造成网络传输拥堵，造成网络 延迟和节点故障，严重时引起网络崩溃，本发明通过数据处理模块对捕获的视 频流数据包进行特征提取，初步筛选得出影响用户观看视频体验质量的特征指 标集合为下一阶段提供数据支撑，其次采用Spark并行集成特征选择算法进行视 频流特征提取，采用决策树算法从大规模视频数据流量中筛选出优质性能指标， 经过特征选择算法不断筛选删除冗余集合，获得一个类别相关性大于预设值且 特征间相关性小于预设值的特征指标集合，最后将相关特征指标集合作为预测 模型的输入，通过计算并添加权值向量进行误差修正，经过激活函数得到的结果即为视频QoE预测的结果。该方法通过将机器学习算法结合当前主流大数据 计算框架应用到网络视频流量分类中，对大规模传输的视频数据流量进行分类 处理分析，对数据集进行训练，得到优质特征集合，利用小波神经网络预测准 确率较高以及可以自适应地调节网络节点数量的优点，充分考虑了网络波动对 用户观看视频的体验质量的直接影响，并结合了Spark强大的并行运算能力集成 特征选择算法进行视频流特征提取，克服了网络在传输大规模视频流量时引发 的网络波动，从而实现动态的网络负载均衡，保证网络安全稳定运行，并且在 特征数据训练速度和视频流量分类效率提升方面有显著优势。
附图说明
图1是本发明提供优选实施例整体处理结构框架总体流程图；
图2为本发明的网络视频流量分类的过程图；
图3为本发明的视频QoE预测流程图。
具体实施方式
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、 详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本发明解决上述技术问题的技术方案是：参见图1，为一种大数据环境下的 视频QoE预测方法，即本发明的具体实施的流程示意图。本发明的具体步骤包 括以下几个步骤：
S1：视频流采集预处理。通过多媒体数据中心下载大规模视频流数据，经 过过滤层筛选出视频流数据包，同时调用数据处理模块对捕获的数据包进行特 征提取。
S2：特征选择及数据分析。用Spark并行集成特征选择算法进行视频流特征 提取。采用决策树算法根据特定的评估标准，消除类别相关性弱和冗余的特征， 从大规模视频数据流量中筛选出优质性能指标，降低特征空间复杂度，通过设 置评估标准的阈值来判断类别相关，经过特征选择算法不断筛选删除冗余集合， 获得一个类别相关性很强的且特征间相关性很弱的优质特征集合。
S3：构建视频QoE预测模型。将上一阶段得到的特征指标集合作为小波神 经网络的输入，并添加权值向量ωij k进行误差修正，经过激活函数得到的结果即 为视频QoE预测的结果。
对于S1视频流采集预处理，从多媒体数据中心对视频流量进行采集预处理， 包括流量分类、数据处理和特征提取，其中，流量分类是指从大规模网络流量 中分类出视频流数据包；数据处理是指将流量包存储到分布式文件系统之上； 特征提取是调用数据处理模块对捕获的流量数据包进行分析，初步筛选得出影 响用户观看视频体验质量(QoE)的特征指标集合为下一阶段提供数据支撑。
对于S2的实施，其流程图如图2所示，主要包括以下几个步骤：
S21：数据分析。利用Spark分布式计算框架来提高数据处理能力，采用决 策树算法根据特定的评估标准，消除类别相关性弱和冗余的特征，从大规模视 频数据流量中筛选出优质性能指标，降低特征空间复杂度。
S22：标准评估。判断一个标准是否与类别相关以及判断类别相关的特征值 之间是否存在冗余，通过设置评估标准的阈值来判断类别相关，经过特征选择 算法不断筛选删除冗余集合，就可以获得一个类别相关性很强的且特征间相关 性很弱的优质特征集合。
S23：决策树生成步骤主要为3个部分：
1)特征选择，从训练数据中众多的特征中选择一个特征作为当前节点的分 裂标准；使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应 的特征属性并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的 类别作为决策结果。
2)决策树生长，根据选择的特征评估标准，从上至下递归生成子节点，直 到数据集不可分则停止决策树生长。
3)剪枝，决策树容易过拟合，一般来需要剪枝，缩小树结构规模，缓解过 拟合状态。
S24：决策树计算相关性步骤：(规则集表示从根节点到叶节点的路径，子规 则表示规则集中的一条规则)
1)首先从2棵决策树x1和x2的规则集中依据节点数相近原则选择2条规 则集，然后根据式(1)来计算数据集的相似度simx1,x2，
Figure BDA0002823633890000061
其中m为节点个数,simi是决策树规则集中具有相近节点数的相似度。
2)如果子规则的形式是非数值属性，利用式(2)计算相似度simi,
Figure BDA0002823633890000071
其中n为节点个数。
3)如果子规则数值是数值型的，那么就使用式(3)来计算相似度simi,
Figure BDA0002823633890000072
其中k为自定义的评估标准的阈值，m为决策树。
对于S3的实施，其流程图如图3所示，主要包括以下步骤：
模型构建：采用小波神经网络自适应地调节模型的节点数量，使得整个网 络实现动态的负载均衡，将上一阶段得到的特征指标集合作为小波神经网络的 输入，并添加权值向量ωij k进行误差修正，设定ωij k为第k-1层第i个神经元至第 k层第j个神经元的权值向量，在传递函数上，中间层选用激活函数
Figure BDA0002823633890000073
输出层选用Purelin线性函数，即线性求和，a为小波神经网 络的伸缩因子，b为小波神经网络的平移因子。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实 体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。 具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、 智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制 台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任 何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序 的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、 静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存 取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快 闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其 他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定， 计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据 信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖 非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅 包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过 程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包 括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者 设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范 围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或 修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (6)

1.一种基于大数据环境下的视频QoE预测系统，其特征在于，包括：视频流采集预处理模块、特征选择及数据分析模块及视频QoE预测模块，其中，
视频流采集预处理模块：用于通过多媒体数据中心下载大规模视频流数据，经过过滤层筛选出视频流数据包，同时对捕获的数据包进行特征提取；
特征选择及数据分析模块：用于采用Spark并行集成特征选择算法进行视频流特征提取；采用决策树算法根据设定的评估标准，消除类别相关性弱和冗余的特征，从大规模视频数据流量中筛选出优质性能指标；通过设置评估标准的阈值来判断类别相关，经过特征选择算法不断筛选删除冗余集合，获得一个类别相关性大于预设值且特征间相关性小于预设值的特征指标集合；
视频QoE预测模块：用于将特征选择及数据分析模块得到的特征指标集合作为小波神经网络的输入，并添加权值向量ωij k进行误差修正，经过激活函数得到的结果即为视频QoE预测的结果。
2.根据权利要求1所述的一种基于大数据环境下的视频QoE预测系统，其特征在于，所述视频流采集预处理模块包括流量分类模块、数据处理模块和特征提取模块，其中，流量分类模块用于从大规模网络流量中分类出视频流数据包；数据处理模块用于指将视频流数据包存储到分布式文件系统上，并对捕获的视频流数据包进行数据分析，在基于视频流特征指标相关性的基础上选择特征类别相关性大于阈值的特征数据集，特征提取模块用于初步筛选得出影响用户观看视频体验质量QoE的特征指标集合。
3.根据权利要求1或2所述的一种基于大数据环境下的视频QoE预测系统，其特征在于，所述特征选择及数据分析模块中，决策树生成步骤主要为3个部分：
1)特征选择步骤：从训练数据中众多的特征中选择一个特征作为当前节点的分裂标准；使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果；
2)决策树生长步骤：根据选择的特征评估标准，从上至下递归生成子节点，直到数据集不可分则停止决策树生长；
3)剪枝步骤：通过剪枝缩小树结构规模，缓解过拟合状态。
4.根据权利要求3所述的一种基于大数据环境下的视频QoE预测系统，其特征在于，决策树计算相关性步骤具体为：规则集表示从根节点到叶节点的路径，子规则表示规则集中的一条规则；
1)首先从2棵决策树x1和x2的规则集中依据节点数相近原则选择2条规则集，然后根据式(1)来计算数据集的相似度simx1,x2，
Figure FDA0002823633880000021
其中m为节点个数,simi是决策树规则集中具有相近节点数的相似度；
2)如果子规则的形式是非数值属性，利用式(2)计算相似度simi,
Figure FDA0002823633880000022
其中n为节点个数；
3)如果子规则数值是数值型的，那么就使用式(3)来计算相似度simi,
Figure FDA0002823633880000023
其中k为自定义的评估标准的阈值，m为决策树。
5.根据权利要求4所述的一种基于大数据环境下的视频QoE预测系统，其特征在于，所述视频QoE预测模块采用小波神经网络自适应地调节模型的节点数量，使得整个网络实现动态的负载均衡，将上一阶段得到的特征指标集合作为小波神经网络的输入，并添加权值向量
Figure FDA0002823633880000024
进行误差修正，设定
Figure FDA0002823633880000025
为第k-1层第i个神经元至第k层第j个神经元的权值向量，在传递函数上，中间层选用激活函数
Figure FDA0002823633880000031
输出层选用Purelin线性函数，即线性求和，a为小波神经网络的伸缩因子，b为小波神经网络的平移因子。
6.一种基于大数据环境下的视频QoE预测系统方法，其特征在于，包括以下步骤：
视频流采集预处理步骤、特征选择及数据分析步骤及视频QoE预测步骤，其中，
视频流采集预处理步骤包括：通过多媒体数据中心下载大规模视频流数据，经过过滤层筛选出视频流数据包，同时调用数据处理模块对捕获的数据包进行特征提取。
特征选择及数据分析步骤包括：用Spark并行集成特征选择算法进行视频流特征提取。采用决策树算法根据特定的评估标准，消除类别相关性弱和冗余的特征，从大规模视频数据流量中筛选出优质性能指标，降低特征空间复杂度，通过设置评估标准的阈值来判断类别相关，经过特征选择算法不断筛选删除冗余集合，获得一个类别相关性很强的且特征间相关性很弱的优质特征集合。
视频QoE预测步骤包括：将上一阶段得到的特征指标集合作为小波神经网络的输入，并添加权值向量
Figure FDA0002823633880000032
进行误差修正，经过激活函数得到的结果即为视频QoE预测的结果。
CN202011423524.3A 2020-12-08 2020-12-08 一种基于大数据环境下的视频QoE预测系统及方法 Active CN113038118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011423524.3A CN113038118B (zh) 2020-12-08 2020-12-08 一种基于大数据环境下的视频QoE预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011423524.3A CN113038118B (zh) 2020-12-08 2020-12-08 一种基于大数据环境下的视频QoE预测系统及方法

Publications (2)

Publication Number Publication Date
CN113038118A true CN113038118A (zh) 2021-06-25
CN113038118B CN113038118B (zh) 2023-03-31

Family

ID=76459040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011423524.3A Active CN113038118B (zh) 2020-12-08 2020-12-08 一种基于大数据环境下的视频QoE预测系统及方法

Country Status (1)

Country Link
CN (1) CN113038118B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187524A (zh) * 2022-12-19 2023-05-30 物产中大数字科技有限公司 一种基于机器学习的供应链分析模型对比方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102332162A (zh) * 2011-09-19 2012-01-25 西安百利信息科技有限公司 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法
WO2014052602A1 (en) * 2012-09-28 2014-04-03 Vid Scale, Inc. Method and apparatus of edge guided processing for video coding
CN104023225A (zh) * 2014-05-28 2014-09-03 北京邮电大学 一种基于空时域自然场景统计特征的无参考视频质量评估方法
CN107423745A (zh) * 2017-03-27 2017-12-01 浙江工业大学 一种基于神经网络的鱼类活性分类方法
CN107832581A (zh) * 2017-12-15 2018-03-23 百度在线网络技术（北京）有限公司 状态预测方法和装置
US20180314933A1 (en) * 2017-04-28 2018-11-01 Intel Corporation Accelerated decision trees on data center clusters
CN109522865A (zh) * 2018-11-29 2019-03-26 辽宁工业大学 一种基于深度神经网络的特征加权融合人脸识别方法
CN109831705A (zh) * 2019-02-22 2019-05-31 西安交通大学 一种针对HTTP视频流业务的主观QoE评估方法
CN110135236A (zh) * 2019-03-21 2019-08-16 云南路普斯数据科技有限公司 一种基于小波变换及神经网络算法的视频人脸识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102332162A (zh) * 2011-09-19 2012-01-25 西安百利信息科技有限公司 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法
WO2014052602A1 (en) * 2012-09-28 2014-04-03 Vid Scale, Inc. Method and apparatus of edge guided processing for video coding
CN104023225A (zh) * 2014-05-28 2014-09-03 北京邮电大学 一种基于空时域自然场景统计特征的无参考视频质量评估方法
CN107423745A (zh) * 2017-03-27 2017-12-01 浙江工业大学 一种基于神经网络的鱼类活性分类方法
US20180314933A1 (en) * 2017-04-28 2018-11-01 Intel Corporation Accelerated decision trees on data center clusters
CN107832581A (zh) * 2017-12-15 2018-03-23 百度在线网络技术（北京）有限公司 状态预测方法和装置
CN109522865A (zh) * 2018-11-29 2019-03-26 辽宁工业大学 一种基于深度神经网络的特征加权融合人脸识别方法
CN109831705A (zh) * 2019-02-22 2019-05-31 西安交通大学 一种针对HTTP视频流业务的主观QoE评估方法
CN110135236A (zh) * 2019-03-21 2019-08-16 云南路普斯数据科技有限公司 一种基于小波变换及神经网络算法的视频人脸识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙鹏 等: "《基于长短期记忆的流媒体QoE预测模型》", 《计算机工程与设计》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187524A (zh) * 2022-12-19 2023-05-30 物产中大数字科技有限公司 一种基于机器学习的供应链分析模型对比方法及装置
CN116187524B (zh) * 2022-12-19 2023-08-25 物产中大数字科技有限公司 一种基于机器学习的供应链分析模型对比方法及装置

Also Published As

Publication number Publication date
CN113038118B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN108877839B (zh) 基于语音语义识别技术的语音质量感知评估的方法及系统
TW202139045A (zh) 基於隱私保護確定目標業務模型的方法及裝置
CN113905391B (zh) 集成学习网络流量预测方法、系统、设备、终端、介质
WO2019134274A1 (zh) 兴趣探索方法、存储介质、电子设备及系统
US20230401833A1 (en) Method, computer device, and storage medium, for feature fusion model training and sample retrieval
CN112672366A (zh) 异构无线网络中基于个性化消费偏好的垂直切换系统
US20220269721A1 (en) Method and system for acquiring species identification names and readable storage medium
CN111310025B (zh) 模型训练方法、数据处理方法、装置以及相关设备
CN111639230B (zh) 一种相似视频的筛选方法、装置、设备和存储介质
EP4053739A1 (en) Neural network model for image segmentation and image segmentation method therefor
CN113038118B (zh) 一种基于大数据环境下的视频QoE预测系统及方法
US10810458B2 (en) Incremental automatic update of ranked neighbor lists based on k-th nearest neighbors
CN111291867A (zh) 数据预测模型生成方法、装置及数据预测方法、装置
Man et al. Image classification based on improved random forest algorithm
CN110855474B (zh) Kqi数据的网络特征提取方法、装置、设备及存储介质
CN111709766A (zh) 一种用户行为预测方法、装置、存储介质及电子设备
Li et al. Alstm: An attention-based lstm model for multi-scenario bandwidth prediction
CN116361643A (zh) 实现对象推荐的模型训练方法及对象推荐方法及相关装置
CN104954873B (zh) 一种智能电视视频定制方法及系统
CN112671633B (zh) 一种基于bp神经网络预测的二分探测心跳间隔系统及方法
CN108921012A (zh) 一种利用人工智能芯片处理图像视频帧的方法
Eckhardt et al. Convolutional Neural Networks and Long Short Term Memory for Phishing Email Classification
CN114385876A (zh) 一种模型搜索空间生成方法、装置及系统
CN111783453A (zh) 文本的情感信息处理方法及装置
Alemayehu Mobile Network Congestion Prediction Using Machine Learning: The Case of Ethio Telecom

Legal Events

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