CN114286196B - 基于无线网络指标的视频质差原因分析方法及装置 - Google Patents

Abstract

本发明公开了一种基于无线网络指标的视频质差原因分析方法及装置，该方法包括：获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度；根据无线网络指标与视频质量指标的相关度，确定导致视频质差的目标无线网络指标。通过上述方式，采用相关系数算法，将质差小区的视频质量指标和无线网络指标进行大数据的关联分析，定位到与视频质量劣化相关的无线网络指标，相对于现有技术，能够快速精准地定位导致视频质量指标劣化的问题原因，对人员的技术水平要求不高，更易于实施。

Description

基于无线网络指标的视频质差原因分析方法及装置

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于无线网络指标的视频质差原因分析方法及装置。

背景技术

随着无线网络的全面建设，互联网流媒体视频正迎来大力发展的阶段。然而由于各种原因，视频播放时经常出现的卡顿、高清视频缓冲时延等待时间长等一系列问题打消了一部分用户的观看积极性，为了给用户提供良好的视频观看体验，现有网络提供了基于视频业务质量与网络运行的两个指标体系，即KQI和KPI。视频业务质量由KQI指标体系评估，而网络问题定位由KPI指标体系解决。

但是，发明人在是实现本发明的过程中发现：视频质量指标中的视频平均下载速率质差可较准确的反应视频用户的主观感受，但是却不能直接反应网络的运行情况，而无线网络指标可以反应网络的运行情况但对视频业务质量的影响具有不确定性，现有技术中缺乏一种分析视频质量指标和无线网络指标之间的相关性的方案。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于无线网络指标的视频质差原因分析方法及装置。

根据本发明的一个方面，提供了一种基于无线网络指标的视频质差原因分析方法，包括：

获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；

根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度；

根据无线网络指标与视频质量指标的相关度，确定导致视频质差的目标无线网络指标。

可选地，根据无线网络指标与视频质量指标的相关度，确定导致视频质差的目标无线网络指标进一步包括：

筛选出相关度的绝对值排列在前N位的无线网络指标，得到导致视频质差的目标无线网络指标，其中，N大于1。

可选地，视频质量指标包括视频下载速率指标。

可选地，方法进一步包括：

按照时间维度对无线网络指标的指标数据进行分析，确定至少一个特征时段；

根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度包括：

针对于任一特征时段，根据该特征时段内无线网络指标的指标数据与该特征时段内的视频质量指标的指标数据，确定该特征时段内无线网络指标与视频质量指标之间的相关度。

可选地，视频质量指标包括视频初缓时延指标，方法进一步包括：

根据视频初缓时延指标的指标数据，标记视频初缓时延指标的指标数据下对应的视频质量是否劣化，得到离散化标记结果；

采用决策树算法对离散化标记结果及其相应的无线网络指标的指标数据进行分析，确定视频质量劣化时对应的无线网络指标的指标阈值条件。

可选地，方法进一步包括：

根据与覆盖相关的无线网络指标的指标阈值条件筛选各个目标样本点，对各个目标样本点进行聚类处理，得到高密度样本区域和低密度样本区域；

根据高密度样本区域的目标样本点的占比以及高密度样本区域的信号强度信息，评估高密度样本区域是否为弱覆盖区域；

根据低密度样本区域的目标样本点的占比以及低密度样本区域的信号强度信息，评估低密度样本区域是否为弱覆盖区域。

可选地，方法进一步包括：

若高密度样本区域或者低密度样本区域存在终端产生超过预定值的数量的目标样本点，而其他的终端产生的目标样本点的数量属于预定范围，则将超过预定值的数量的目标样本点进行过滤。

根据本发明的另一方面，提供了一种基于无线网络指标的视频质差原因分析装置，包括：

数据采集模块，适于获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；

数据计算模块，适于根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度；

数据分析模块，适于根据无线网络指标与视频质量指标的相关度，确定导致视频质差的目标无线网络指标。

可选地，数据分析模块进一步适于：筛选出相关度的绝对值排列在前N位的无线网络指标，得到导致视频质差的目标无线网络指标，其中，N大于1。

可选地，视频质量指标包括视频下载速率指标。

可选地，装置进一步包括：

划分模块，适于按照时间维度对无线网络指标的指标数据进行分析，确定至少一个特征时段；

则数据计算模块进一步适于：

针对于任一特征时段，根据该特征时段内无线网络指标的指标数据与该特征时段内的视频质量指标的指标数据，确定该特征时段内无线网络指标与视频质量指标之间的相关度。

可选地，视频质量指标包括视频初缓时延指标，装置进一步包括：

数据标记模块，适于根据视频初缓时延指标的指标数据，标记视频初缓时延指标的指标数据下对应的视频质量是否劣化，得到离散化标记结果；

定界分析模块适于：采用决策树算法对离散化标记结果及其相应的无线网络指标的指标数据进行分析，确定视频质量劣化时对应的无线网络指标的指标阈值条件。

可选地，装置进一步包括：

区域聚类模块，适于根据与覆盖相关的无线网络指标的指标阈值条件筛选各个目标样本点，对各个目标样本点进行聚类处理，得到高密度样本区域和低密度样本区域；

弱覆盖区域评估模块，适于根据高密度样本区域的目标样本点的占比以及高密度样本区域的信号强度信息，评估高密度样本区域是否为弱覆盖区域；根据低密度样本区域的目标样本点的占比以及低密度样本区域的信号强度信息，评估低密度样本区域是否为弱覆盖区域。

可选地，弱覆盖区域评估模块进一步适于：

若高密度样本区域或者低密度样本区域存在终端产生超过预定值的数量的目标样本点，而其他的终端产生的目标样本点的数量属于预定范围，则将超过预定值的数量的目标样本点进行过滤。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于无线网络指标的视频质差原因分析方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于无线网络指标的视频质差原因分析方法对应的操作。

根据本发明提供的基于无线网络指标的视频质差原因分析方法及装置，获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度；根据无线网络指标与视频质量指标的相关度，确定导致视频质差的目标无线网络指标。通过上述方式，采用相关系数算法，将质差小区的视频质量指标和无线网络指标进行大数据的关联分析，定位到与视频质量劣化相关的无线网络指标，相对于现有技术，能够快速精准地定位导致视频质量指标劣化的问题原因，对人员的技术水平要求不高，更易于实施。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的基于无线网络指标的视频质差原因分析方法的流程图；

图2示出了本发明又一实施例提供的基于无线网络指标的视频质差原因分析方法的流程图；

图3示出了本发明一个实施例中聚类结果的示意图；

图4示出了本发明实施例提供的基于无线网络指标的视频质差原因分析装置的结构示意图；

图5示出了本发明实施例提供的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了本发明实施例提供的基于无线网络指标的视频质差原因分析方法的流程图，如图1所示，该方法包括以下步骤：

步骤S110，获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据。

基于视频平台SDK上报的数据源统计全网视频质差小区，并采集视频质差小区的视频质量指标(也即KQI)的相关指标数据，基于网优平台收集视频质差小区的无线网络指标(也即KPI)的相关指标数据。

其中，视频质量指标包括：视频下载速率、视频初缓时延等等。无线网络指标能反应网络运行的运行情况，具体可以细化为几百条KPI。以视频质量指标为视频下载速率为例说明其根因分析如下：影响视频下载速率的直接原因包括：覆盖、容量、质量、承载效率、信令以及其他非无线问题等等，覆盖相关的KPI包括：覆盖率、UE高功率占比，容量受限相关的KPI包括：PRB利用率高以及用户数量，质量相关的KPI指标包括：接收干扰功率、接入sinr值小于3的比例、CQI、编码误块丢包等，承载效率相关的KPI包括：E-RAB拥塞率，信令异常相关的KPI原因包括：切换差、高RRC重建、高掉线。

步骤S120，根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度。

变量之间的关联密切程度和关联方向一般用相关系数表示，其值在-1到1之间，绝对值越大表明相关性越强，正负表示变量之间的关联方向。

本实施例中，根据无线网络指标的指标值以及视频质量指标的指标值，计算无线网络指标与视频质量指标之间的相关系数，即相关度。具体可采用皮尔逊相关系数，具体计算公式如下：

步骤S130，根据无线网络指标与视频质量指标的相关度，确定导致视频质差的目标无线网络指标。

根据无线网络指标与视频质量指标之间的相关度，确定出与视频质量指标最相关的无线网络指标，即得到影响视频质量的目标无线网络指标。

在一种可选的方式中，筛选出相关度的绝对值排列在前N位的无线网络指标，得到导致视频质差的目标无线网络指标，其中，N大于1。将与视频质量指标的相关度的绝对值排列在前N位的无线网络指标确定为导致视频质差的目标网络指标，从而定位了导致视频质差的无线网络指标。其中，本发明对N的具体数值不做限定，本领域技术人员可以根据实际需要进行设置。

在一种可选的方式中，在获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据之后，按照时间维度对无线网络指标的指标数据进行分析，确定至少一个特征时段；则步骤S120具体可以包括以下步骤：针对于任一特征时段，根据该特征时段内无线网络指标的指标数据与该特征时段内的视频质量指标的指标数据，确定该特征时段内无线网络指标与视频质量指标之间的相关度。

在实际应用中，由于用户使用视频平台的时间具有差异，有些时段内比较繁忙，例如晚上8点到12点，有些时段内则相对不那么繁忙，还有些时段内会出现瞬时流量，为了提升准确性，排除不同时段内繁忙情况不一致对原因定位结果的影响。该方式中通过对无线网络指标的指标数据进行分析，确定各个特征时段，针对于每个特征时段，根据该特征时段内质差小区的无线网络指标的指标值与该特征时段内的质差小区的视频质量指标的指标值，计算该特征时段内无线网络指标与视频质量指标之间的相关度。通过这种方式，从时间维度上做更细致的分析，提升定位导致视频质差的原因无线网络指标的准确性。

现有技术中，根据优化经验选取劣化无线网络指标分析视频质量指标质差原因，针对于视频质量指标质差基站的无线网络指标，从日常优化经验中按照相关指标优先级高低顺序逐一排除的方法来定位视频质量指标质差原因，一方面优化经验具有不确定性，另一方面对相关人员技术水平要求较高。

根据本实施例所提供的基于无线网络指标的视频质差原因分析方法，获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度；根据无线网络指标与视频质量指标的相关度，确定导致视频质差的目标无线网络指标。通过上述方式，采用相关系数算法，将质差小区的视频质量指标和无线网络指标进行大数据的关联分析，定位到与视频质量劣化相关的无线网络指标，相对于现有技术，能够快速精准地定位导致视频质量指标劣化的问题原因，对人员的技术水平要求不高，更易于实施。

图2示出了本发明又一实施例提供的基于无线网络指标的视频质差原因分析方法的流程图，如图2所示，该方法包括以下步骤：

步骤S210，获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；其中，视频质量指标包括：视频下载速率指标和视频初缓时延指标。

本实施例的方法中，定位导致视频下载速率指标质差的无线网络指标。

步骤S220，根据无线网络指标的指标数据与视频下载速率指标的指标数据，计算无线网络指标与视频下载速率指标之间的相关度。

表一示出了本发明一个实施例中的相关系数计算结果，该示例中选取了多个维度下的多种无线网络指标与视频下载速率指标进行相关性的分析。

表一

步骤S230，根据无线网络指标与视频下载速率指标的相关度，确定导致视频质差的目标无线网络指标。

其中，如果一无线网络指标与视频下载速率指标的相关度，相关度越高最说明现网中有较多小区的该无线网络职指标与视频下载速率关系紧密，即该无线网络指标具有代表性，再结合上述的根因分析，选取出导致视频下载速率指标质差的目标无线网络指标。

表二示出了本发明另一个实施例中选取的导致视频下载速率质差的无线网络指标，对计算出的相关系数取绝对值，选取出相关系数的绝对值排列在前5位的无线网络指标，即得到导致视频下载速率质差的原因。

表二

KQI＝页面下载速率(kbps)	相关系数	关联程度排序
			有效RRC连接平均数(次)	-0.718921938	1
PDCCH信道CCE占用率(％)	-0.615065059	2
			上行PRB平均利用率(％)	-0.593498045	3
CQI_value_avg	0.555034443	4
			下行64QAM编码比例(％)	0.529477019	5

在一种可选的方式中，将无线网络指标与视频下载速率指标的相关系数进行图形化展示。例如，绘制各个无线网络指标与视频下载速率指标之间的相关系数的折线图。

由此可见，本实施例的方法，采用相关系数算法，将质差小区的视频质量指标和无线网络指标进行大数据的关联分析，定位到与视频质量劣化相关的无线网络指标，相对于现有技术，能够快速精准地定位导致视频质量指标劣化的问题原因，对人员的技术水平要求不高，更易于实施。

通过上述步骤可以完成视频质量指标和无线网路指标之间的相关性分析，在此基础上，本实施例的方法还利用机器学习的对视频初缓时延进行质差原因的定界分析，将在后面进行详述。

步骤S240，根据视频初缓时延指标的指标数据，标记视频初缓时延指标的指标数据下对应的视频质量是否劣化，得到离散化标记结果。

本实施例的方法中，主要针对视频初缓时延指标进行定界分析。具体实施时，在从视频平台的SDK中获取到视频初缓时延指标的指标数据以及从OMC获取到无线网络指标的指标数据之后，对视频初缓时延指标的指标数据以及无线网络指标的指标数据进行关联，并存储到数据库中，后续过程中，通过查询表，直接下载相关的数据文件到本地进行机器学习数据分析。表三示出了本发明一个实施例中选取的视频质量指标和无线网络指标。

表三

根据视频初缓时延指标的具体指标值，例如视频初缓时延为4秒，标记视频初缓时延下视频质量是为劣化，即标记在视频初缓时延下视频是卡顿还是不卡顿，得到离散化标记结果。该步骤通过对视频初缓时延连续属性离散化，将时延界定为两种类别(卡顿或不卡顿)，例如用“1”标记不卡顿，用“0”标记卡顿。

可选地，在获取到视频初缓时延指标的指标数据以及无线网络指标的指标数据之后，还可对视频初缓时延指标以及无线网络指标的指标数据预处理，包括数据质量检测、数据清洗处理。其中，数据质量检测包括：准确性检测，即检测数据是否是需要的数据；完整性检测，即检测数据是否完整；时效性检测，即检测数据的采集时间是否准确。数据清洗处理包括：缺失值处理，即对空值进行数据删除；异常值处理，即对异常值进行变换或者删除；数据类型处理，即对不合适的数据类型进行属性变化。在对指标数据进行初始化处理之后，将初始化处理后的数据进行离散化处理。

步骤S250，采用决策树算法对离散化标记结果及其相应的无线网络指标的指标数据进行分析，确定视频质量劣化时对应的无线网络指标的指标阈值条件。

本实施例的方法中，采用决策树算法分析视频初缓时延指标劣化时无线网络指标的指标阈值条件。

决策树具有以下优势：1.理解和解释起来简单，且决策树模型可以想象(便于理解)；2.决策树算法的时间复杂度较低；3.能够处理多种数字和数据的类别(处理多特征值)；4.能够处理多输出的问题；5.能使用统计检验来验证模型可靠性

决策树模型介绍：决策树(Decision Tree)是一种基本的分类与回归方法。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。分类的时候，从根节点开始，对实例的某一个特征进行测试，根据测试结果，将实例分配到其子结点；此时，每一个子结点对应着该特征的一个取值。如此递归向下移动，直至达到叶结点，最后将实例分配到叶结点的类中。

具体实施是，通过python编程实现决策树算法与模型搭建，输出视频初缓时延指标与无线网络指标的关联度及拐点分析。

主函数：本质上是个递归函数，该函数主要功能是根据某种规则生长出决策树的各个分支节点，并根据终止条件结束算法。

划分过程：1)根据某种分类规则(依据信息增益进行特征选取和分裂)得到最优的划分特征，并创建特征的划分节点。2)按照该特征的每个取值划分数据集为若干部分。3)根据划分子函数的计算结果构建出新的节点，作为树生长出的新分支。4)检验是否符合递归终止条件(如果增益够大，就分裂为左右子树，如果增益很小，就停止分裂，将这个节点直接作为叶子节点)。5)将划分的新节点包含的数据集和类别标签作为输入，递归执行上述步骤。

采用决策树算法对离散化标记结果及其相应的无线网络指标的指标数据进行分析处理，确定视频质量劣化时(即视频卡的时候)对应的无线网络指标的指标阈值条件。表四示出了本发明一个实施例中视频初缓时延指标劣化时对应的无线网络指标的指标阈值条件。举例来说，RSRP门限为<-106dbm(传统门限为<-110)，也即如果RSRP小于-106dbm，则确定视频是卡顿的。下行PRB利用率门限为>46％(传统门限为>50％)，也即如果PRB利用率门限大于46％，则确定视频是卡顿的。

表四

现有技术中，视频质量劣化时对应的无线网络指标的阈值是经验值，而没有基于视频业务或者基于网络实际情况进行判断，准确性不高。本实施例的方法中采用机器学习决策树算法，对视频初缓时延指标的指标数据和无线网络指标的指标数据进行关联分析，能够输出准确性更高的视频指标劣化时无线网络指标的指标阈值条件，更适合应用于无线网络指标的优化场景。

通过上述步骤确定了视频初缓时延指标劣化时对应的无线网络指标数据的阈值条件，实现了与视频质量指标相关的无线网络指标的定界分析，本实施例的方法还可利用定界分析的结果进行弱覆盖定界，将在后面进行详述。

步骤S260，根据与覆盖相关的无线网络指标的指标阈值条件筛选各个目标样本点，对各个目标样本点进行聚类处理，得到高密度样本区域和低密度样本区域。

根据与覆盖相关的无线网络指标的指标阈值条件筛选目标样本点，具体地，选取RSRP小于106dbm的样本点作为目标样本点。其中，目标样本点也就是弱覆盖样本点。然后，根据目标样本点的位置信息进行聚类分析，确定高密度样本区域和低密度样本区域。

具体实施时，采用DBSCAN密度聚类算法，将高密度样本区域和低密度样本区域分开，该算法是一种常用的聚类方法，其主要思想是计算一个点X以ε为半径的邻域内样本点数量来衡量该点所在区域的密度，将高密度区域和低密度区域分开。该聚类方法不需要事先确定聚类数量，比较适合探索类似弱覆盖区域不确定的数据。

在DBSCAN密度聚类算法中，对邻域半径ε和最小样本数minPts非常敏感，密度聚类算法对这两个参数非常敏感，其中minPts的选择需要仔细分析。可以根据经验选择minPts值，也可以根据平均密度选择minPts值，然后再看哪种最符合实际。

图3示出了本发明一个实施例中聚类结果的示意图，其中，边缘噪声点产生的原因可能是信号强度受快衰落的影响，也有可能是某个终端的故障原因等等，其余区域则是高密度区域。

可选地，在筛选出目标样本点之后，根据目标样本点的SINR值进行异常数据剔除处理，例如，将SINR值50的目标样本点进行剔除。

由于终端用户分布并不均匀，有些区域用户密集而另外一些区域用户比较稀疏，所以视频平台的采样点数量分布也不均匀。如果仅凭密度聚类结果就判定是否弱覆盖还不够充分，需要对聚类结果进一步分析，将在后面进行详述。

步骤S270，根据高密度样本区域的目标样本点的占比以及高密度样本区域的信号强度信息，评估高密度样本区域是否为弱覆盖区域。

对于高密度样本区域而言，统计该区域内弱覆盖样本点的占比，以及获取该区域内信号强度，结合上述两种信息进一步评估高密度样本区域弱覆盖程度和概率，确定高密度样本区域是否为弱覆盖区域。其中，弱覆盖样本点的占比计算公式如下：

步骤S280，根据低密度样本区域的目标样本点的占比以及低密度样本区域的信号强度信息，评估低密度样本区域是否为弱覆盖区域。

同样地，针对于低密度样本区域，根据其中的弱覆盖样本点的占比及其信号强度，结合上述两种信息进一步评估低密度样本区域弱覆盖程度和概率，确定低密度样本区域是否为弱覆盖区域。

实际应用中，视频平台上传的位置信息所采用的位置坐标系统可能有所不同，基于此，在确定了高密度样本区域和低密度样本区域之后，对高密度样本区域和低密度样本区域的位置坐标进行矫正处理，矫正为适配本实施例方法所采用的位置坐标系统，以便后续过程中获取真正的弱覆盖区域。具体地，可调用位置坐标系统的API接口对位置进行矫正。

其中，若高密度样本区域或者低密度样本区域存在终端产生超过预定值的数量的目标样本点，而其他的终端产生的目标样本点的数量属于预定范围，则将超过预定值的数量的目标样本点进行过滤。如果某个区域内的弱覆盖点大部分是某个固定终端产生的，而同区域内的其他终端的采样点覆盖正常，则认为该终端用户的终端存在故障，将该故障终端产生的目标样本点全部排出，以避免该故障终端影响弱覆盖区域的定位结果的准确性。

现有技术中，弱覆盖区域时基于栅格或者小区的平均覆盖率进行判断，若覆盖区域的判定较为粗糙，很难精确定位到基于视频业务的弱覆盖问题。本实施例的方法中，采用密度聚类算法，将弱覆盖点密度较高区域与较低区域分开，并且不限定区域的大小和形状，避免了传统网格的形状固定，问题区域被强制分割等缺点，相对传统方法，对弱覆盖区域定位更加精准。

根据本实施例所提供的基于无线网络指标的视频质差原因分析方法，一方面，引入机器学习算法，根据由相关系数统计完成视频质量指标和无线网络指标的关系映射，准确分析出影响小区视频质量指标的根本原因，更加快速精准地定位问题根因，对人员技术水平要求不高。另一方面，针对这些原因通过决策树算法，输出关联指标的预警门限条件，相比传统的指标预警门限更加科学，用于指导无线网络指标优化及提升用户体验；再一方面，通过密度聚类算法对弱覆盖区域进行聚类分析，分别对弱覆盖高密度区域和弱覆盖低密度区域单独进行评估，输出精准的弱覆盖区域定位结果，为网优和规划工作提供参考，节约了网络测试的成本，减少路测工作量及成本。

图4示出了本发明实施例提供的基于无线网络指标的视频质差原因分析装置的结构示意图，如图4所示，该装置包括：

数据采集模块41，适于获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；

数据计算模块42，适于根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度；

数据分析模块43，适于根据无线网络指标与视频质量指标的相关度，确定导致视频质差的目标无线网络指标。

可选地，数据分析模块43进一步适于：筛选出相关度的绝对值排列在前N位的无线网络指标，得到导致视频质差的目标无线网络指标，其中，N大于1。

可选地，视频质量指标包括视频下载速率指标。

可选地，装置进一步包括：

划分模块，适于按照时间维度对无线网络指标的指标数据进行分析，确定至少一个特征时段；

则数据计算模块42进一步适于：

针对于任一特征时段，根据该特征时段内无线网络指标的指标数据与该特征时段内的视频质量指标的指标数据，确定该特征时段内无线网络指标与视频质量指标之间的相关度。

可选地，视频质量指标包括视频初缓时延指标，装置进一步包括：

数据标记模块，适于根据视频初缓时延指标的指标数据，标记视频初缓时延指标的指标数据下对应的视频质量是否劣化，得到离散化标记结果；

定界分析模块适于：采用决策树算法对离散化标记结果及其相应的无线网络指标的指标数据进行分析，确定视频质量劣化时对应的无线网络指标的指标阈值条件。

可选地，装置进一步包括：

区域聚类模块，适于根据与覆盖相关的无线网络指标的指标阈值条件筛选各个目标样本点，对各个目标样本点进行聚类处理，得到高密度样本区域和低密度样本区域；

弱覆盖区域评估模块，适于根据高密度样本区域的目标样本点的占比以及高密度样本区域的信号强度信息，评估高密度样本区域是否为弱覆盖区域；根据低密度样本区域的目标样本点的占比以及低密度样本区域的信号强度信息，评估低密度样本区域是否为弱覆盖区域。

可选地，弱覆盖区域评估模块进一步适于：

若高密度样本区域或者低密度样本区域存在终端产生超过预定值的数量的目标样本点，而其他的终端产生的目标样本点的数量属于预定范围，则将超过预定值的数量的目标样本点进行过滤。

通过上述方式，采用相关系数算法，将质差小区的视频质量指标和无线网络指标进行大数据的关联分析，定位到与视频质量劣化相关的无线网络指标，相对于现有技术，能够快速精准地定位导致视频质量指标劣化的问题原因，对人员的技术水平要求不高，更易于实施。

本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于无线网络指标的视频质差原因分析方法。

可执行指令具体可以用于使得处理器执行以下操作：

获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；

根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度；

根据无线网络指标与视频质量指标的相关度，确定导致视频质差的目标无线网络指标。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：

筛选出相关度的绝对值排列在前N位的无线网络指标，得到导致视频质差的目标无线网络指标，其中，N大于1。

在一种可选的方式中，视频质量指标包括视频下载速率指标。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：

按照时间维度对无线网络指标的指标数据进行分析，确定至少一个特征时段；

根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度包括：

针对于任一特征时段，根据该特征时段内无线网络指标的指标数据与该特征时段内的视频质量指标的指标数据，确定该特征时段内无线网络指标与视频质量指标之间的相关度。

在一种可选的方式中，视频质量指标包括视频初缓时延指标，所述可执行指令使所述处理器执行以下操作：

根据视频初缓时延指标的指标数据，标记视频初缓时延指标的指标数据下对应的视频质量是否劣化，得到离散化标记结果；

采用决策树算法对离散化标记结果及其相应的无线网络指标的指标数据进行分析，确定视频质量劣化时对应的无线网络指标的指标阈值条件。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：

根据与覆盖相关的无线网络指标的指标阈值条件筛选各个目标样本点，对各个目标样本点进行聚类处理，得到高密度样本区域和低密度样本区域；

根据高密度样本区域的目标样本点的占比以及高密度样本区域的信号强度信息，评估高密度样本区域是否为弱覆盖区域；

根据低密度样本区域的目标样本点的占比以及低密度样本区域的信号强度信息，评估低密度样本区域是否为弱覆盖区域。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：

若高密度样本区域或者低密度样本区域存在终端产生超过预定值的数量的目标样本点，而其他的终端产生的目标样本点的数量属于预定范围，则将超过预定值的数量的目标样本点进行过滤。

通过上述方式，采用相关系数算法，将质差小区的视频质量指标和无线网络指标进行大数据的关联分析，定位到与视频质量劣化相关的无线网络指标，相对于现有技术，能够快速精准地定位导致视频质量指标劣化的问题原因，对人员的技术水平要求不高，更易于实施。

图5示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。

其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。处理器502，用于执行程序510，具体可以执行上述用于计算设备的基于无线网络指标的视频质差原因分析方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行以下操作：

获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；

根据无线网络指标的指标数据与视频质量指标的指标数据，计算无线网络指标与视频质量指标之间的相关度；

根据无线网络指标与视频质量指标的相关度，确定导致视频质差的目标无线网络指标。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：

筛选出相关度的绝对值排列在前N位的无线网络指标，得到导致视频质差的目标无线网络指标，其中，N大于1。

在一种可选的方式中，视频质量指标包括视频下载速率指标。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：

按照时间维度对无线网络指标的指标数据进行分析，确定至少一个特征时段；

针对于任一特征时段，根据该特征时段内无线网络指标的指标数据与该特征时段内的视频质量指标的指标数据，确定该特征时段内无线网络指标与视频质量指标之间的相关度。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：

根据视频初缓时延指标的指标数据，标记视频初缓时延指标的指标数据下对应的视频质量是否劣化，得到离散化标记结果；

采用决策树算法对离散化标记结果及其相应的无线网络指标的指标数据进行分析，确定视频质量劣化时对应的无线网络指标的指标阈值条件。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：

根据与覆盖相关的无线网络指标的指标阈值条件筛选各个目标样本点，对各个目标样本点进行聚类处理，得到高密度样本区域和低密度样本区域；

根据高密度样本区域的目标样本点的占比以及高密度样本区域的信号强度信息，评估高密度样本区域是否为弱覆盖区域；

根据低密度样本区域的目标样本点的占比以及低密度样本区域的信号强度信息，评估低密度样本区域是否为弱覆盖区域。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：

若高密度样本区域或者低密度样本区域存在终端产生超过预定值的数量的目标样本点，而其他的终端产生的目标样本点的数量属于预定范围，则将超过预定值的数量的目标样本点进行过滤。

通过上述方式，采用相关系数算法，将质差小区的视频质量指标和无线网络指标进行大数据的关联分析，定位到与视频质量劣化相关的无线网络指标，相对于现有技术，能够快速精准地定位导致视频质量指标劣化的问题原因，对人员的技术水平要求不高，更易于实施。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (9)

1.一种基于无线网络指标的视频质差原因分析方法，包括：

获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；

根据所述无线网络指标的指标数据与所述视频质量指标的指标数据，计算所述无线网络指标与所述视频质量指标之间的相关度；

根据所述无线网络指标与所述视频质量指标的相关度，确定导致视频质差的目标无线网络指标；

其中，所述方法进一步包括：按照时间维度对所述无线网络指标的指标数据进行分析，确定至少一个特征时段；

所述根据所述无线网络指标的指标数据与所述视频质量指标的指标数据，计算所述无线网络指标与所述视频质量指标之间的相关度包括：

针对于任一特征时段，根据该特征时段内无线网络指标的指标数据与该特征时段内的视频质量指标的指标数据，确定该特征时段内无线网络指标与视频质量指标之间的相关度。

2.根据权利要求1所述的方法，其中，所述根据无线网络指标与所述视频质量指标的相关度，确定导致视频质差的目标无线网络指标进一步包括：

筛选出相关度的绝对值排列在前N位的无线网络指标，得到导致视频质差的目标无线网络指标，其中，N大于1。

3.根据权利要求1或2所述的方法，其中，所述视频质量指标包括视频下载速率指标。

4.根据权利要求1所述的方法，其中，所述视频质量指标包括视频初缓时延指标，所述方法进一步包括：

根据所述视频初缓时延指标的指标数据，标记所述视频初缓时延指标的指标数据下对应的视频质量是否劣化，得到离散化标记结果；

采用决策树算法对所述离散化标记结果及其相应的无线网络指标的指标数据进行分析，确定视频质量劣化时对应的无线网络指标的指标阈值条件。

5.根据权利要求4所述的方法，其中，所述方法进一步包括：

根据与覆盖相关的无线网络指标的指标阈值条件筛选各个目标样本点，对所述各个目标样本点进行聚类处理，得到高密度样本区域和低密度样本区域；

根据所述高密度样本区域的目标样本点的占比以及所述高密度样本区域的信号强度信息，评估所述高密度样本区域是否为弱覆盖区域；

根据所述低密度样本区域的目标样本点的占比以及所述低密度样本区域的信号强度信息，评估所述低密度样本区域是否为弱覆盖区域。

6.根据权利要求5所述的方法，其中，所述方法进一步包括：

若高密度样本区域或者低密度样本区域存在终端产生超过预定值的数量的目标样本点，而其他的终端产生的目标样本点的数量属于预定范围，则将所述超过预定值的数量的目标样本点进行过滤。

7.一种基于无线网络指标的视频质差原因分析装置，包括：

数据采集模块，适于获取视频质差小区的视频质量指标的指标数据以及无线网络指标的指标数据；

数据计算模块，适于根据所述无线网络指标的指标数据与所述视频质量指标的指标数据，计算所述无线网络指标与所述视频质量指标之间的相关度；

数据分析模块，适于根据所述无线网络指标与所述视频质量指标的相关度，确定导致视频质差的目标无线网络指标；

装置进一步包括：划分模块，适于按照时间维度对无线网络指标的指标数据进行分析，确定至少一个特征时段；

数据计算模块进一步适于：针对于任一特征时段，根据该特征时段内无线网络指标的指标数据与该特征时段内的视频质量指标的指标数据，确定该特征时段内无线网络指标与视频质量指标之间的相关度。

8.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的基于无线网络指标的视频质差原因分析方法对应的操作。

9.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的基于无线网络指标的视频质差原因分析方法对应的操作。