CN116668475B - 在线教育操作系统 - Google Patents
在线教育操作系统 Download PDFInfo
- Publication number
- CN116668475B CN116668475B CN202310564033.8A CN202310564033A CN116668475B CN 116668475 B CN116668475 B CN 116668475B CN 202310564033 A CN202310564033 A CN 202310564033A CN 116668475 B CN116668475 B CN 116668475B
- Authority
- CN
- China
- Prior art keywords
- video
- online education
- network
- online
- moment
- 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
Links
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000000875 corresponding effect Effects 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000003012 network analysis Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000750 progressive effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000019771 cognition Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种在线教育操作系统,包括:应用处理机构,用于根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息;信息操作机构,用于将在线教育视频在当前时刻的下一时刻对应的网络延迟信息发送给各个视频接收设备。本发明的在线教育操作系统操作简便、运行智能。由于能够基于各个视频接收设备的多份历史时刻的网络延迟量以及多份网络配置数据智能分析各个视频接收设备的未来时刻的网络延迟量,从而便于各个在线教育学员进行未来时刻网络延迟量的提前了解和提前配置。
Description
技术领域
本发明涉及在线教育领域,尤其涉及一种在线教育操作系统。
背景技术
在线教育是通过计算机互联网,或是通过手机无线网络,在一个网络虚拟教室与教师进行网络授课、学习的方式。
随着互联网的发展,教育行业在十年前就推广远程教育,通过互联网虚拟教室来实现远程视频授课,电子文档共享,从而让教师与学生在网络上形成一种授课与学习的互动;而5G时代的来临让更加方便的学习不仅仅通过笨重的计算机,只要一个可以有大流量通的手机,通过5G的快速网络推进,人们就能更方便的直接地通过手机等掌上工具在线学习,而无线的网络使得人们的日常互动变得更加的有效。
例如,发明公布“基于认知与状态评价的个性化习题推荐方法、装置及智能终端”(申请公布号:CN113590961A)中,通过对学生的认知画像和学习状态画像进行构建,从而获得学生间相似度和学生问题匹配度,并基于PerCSE算法分析了学生之间以及学生与问题之间存在的关联,实现个性化习题推荐。从而解决了在线学习平台中,学生练习海量习题精力有限的问题,该方法可以基于特定学生的认知与状态评价个性化、精准的进行习题推荐,大大降低了现有技术中习题推荐的误差。或者发明公布“基于混合深度学习及注意力机制的学生表现预测方法”(申请公布号:CN113537552A)中,利用学生在线学习日志信息,首先对其进行预处理和特征提取,使用相关性特征选择方法来获得对预测结果有重要影响的特征。然后将提取到的特征按照特征类别进行周累计统计和全部累计统计。接着将提取到的时序特征和潜在特征进行拼接,由于学习到的两类特征在量级和类别上差异较大,因此使用深层神经网络进行高阶特征交互,学习更深层次的特征。同时考虑到不同特征对学生表现的影响程度不同,使用注意力机制为不同的深层次特征分配不同的权重。最后使用sigmoid分类器预测学生是否能够通过某一门课程,从而提高预测的准确性。
对于使用在线教育的学员来说,希望获取当前接收到的视频内容的实际网络延迟时间,这样能够确定自己的作业的配合度是否及时,然而,使用在线教育的学员只能获取其使用的视频接收设备当前时刻接收的视频内容的网络延迟时间,无法获取未来时刻其使用的视频接收设备当前时刻接收的视频内容的网络延迟时间,导致使用在线教育的学员无法了解未来时刻的网络延迟,也无法进行网络延迟的提前应对。
发明内容
本发明提供的一种在线教育操作系统可以解决相关领域的技术问题,能够采用针对性设计的人工智能模型以基于各个视频接收设备的多份历史时刻的网络延迟量以及多份网络配置数据智能分析各个视频接收设备的未来时刻的网络延迟量,从而为各个在线教育的学员对网络延迟量的提前了解和配置提供有价值的参考信息。
技术方案包括:
延迟测量器件,与接收在线教育视频的各个视频接收设备连接,用于获取每一个视频接收设备任一历史时刻的接收视频内容的网络延迟时间,以获得每一历史时刻各个视频接收设备分别对应的各份网络延迟时间并作为所述每一历史时刻对应的网络延迟信息;
云计算服务器,与所述各个视频接收设备分别连接,用于执行对在线教育视频的内容接收和内容分发;
网络分析器件,用于获取在线教育视频的各项网络参数,在线教育视频的各项网络参数包括在线教育视频使用的云计算服务器的最大网络带宽、最高存储量、各个视频接收设备的数量、各个视频接收设备的网络带宽均值以及各个视频接收设备到云计算服务器的距离均值;
模型生成机构,用于生成人工智能模型,所述人工智能模型为经过设定数量的各次学习后的BP神经网络,每一次学习时,将在线教育视频的各项网络参数以及单个过往时刻之前固定数量的多个历史时刻分别对应的多份网络延迟信息作为所述BP神经网络的逐项输入内容,将所述单个过往时刻对应的、已知的网络延迟信息作为所述BP神经网络的单项输出内容,执行该次学习操作,所述设定数量的取值与在线教育视频使用的云计算服务器的最大网络带宽正向关联;
应用处理机构,分别与所述网络分析器件、所述延迟测量器件以及所述模型生成机构连接,用于应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息;
信息操作机构,与所述应用处理机构连接,用于将在线教育视频在当前时刻的下一时刻对应的网络延迟信息在当前时刻的下一时刻到达之前发送给各个视频接收设备;
其中,所述固定数量的取值与在线教育视频使用的各个视频接收设备的数量成正比。
本发明的在线教育操作系统操作简便、运行智能。由于能够基于各个视频接收设备的多份历史时刻的网络延迟量以及多份网络配置数据智能分析各个视频接收设备的未来时刻的网络延迟量,从而便于各个在线教育学员进行未来时刻网络延迟量的提前了解和提前配置。
附图说明
以下将结合附图对本发明的实施方案进行描述。
图1为根据本发明第一实施方案示出的在线教育操作系统的结构方框图。
图2为根据本发明第二实施方案示出的在线教育操作系统的结构方框图。
图3为根据本发明第三实施方案示出的在线教育操作系统的结构方框图。
具体实施方式
下面将参照附图对本发明的在线教育操作系统的实施方案进行详细说明。
第一实施方案
图1为根据本发明第一实施方案示出的在线教育操作系统的结构方框图,所述系统包括:
延迟测量器件,与接收在线教育视频的各个视频接收设备连接,用于获取每一个视频接收设备任一历史时刻的接收视频内容的网络延迟时间,以获得每一历史时刻各个视频接收设备分别对应的各份网络延迟时间并作为所述每一历史时刻对应的网络延迟信息;
云计算服务器,与所述各个视频接收设备分别连接,用于执行对在线教育视频的内容接收和内容分发;
网络分析器件,用于获取在线教育视频的各项网络参数,在线教育视频的各项网络参数包括在线教育视频使用的云计算服务器的最大网络带宽、最高存储量、各个视频接收设备的数量、各个视频接收设备的网络带宽均值以及各个视频接收设备到云计算服务器的距离均值;
示例地,所述网络分析器件还用于将在线教育视频使用的云计算服务器的最大网络带宽、最高存储量、各个视频接收设备的数量、各个视频接收设备的网络带宽均值以及各个视频接收设备到云计算服务器的距离均值分别执行二进制数值转换处理;
模型生成机构,用于生成人工智能模型,所述人工智能模型为经过设定数量的各次学习后的BP神经网络,每一次学习时,将在线教育视频的各项网络参数以及单个过往时刻之前固定数量的多个历史时刻分别对应的多份网络延迟信息作为所述BP神经网络的逐项输入内容,将所述单个过往时刻对应的、已知的网络延迟信息作为所述BP神经网络的单项输出内容,执行该次学习操作,所述设定数量的取值与在线教育视频使用的云计算服务器的最大网络带宽正向关联;
应用处理机构,分别与所述网络分析器件、所述延迟测量器件以及所述模型生成机构连接,用于应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息;
信息操作机构,与所述应用处理机构连接,用于将在线教育视频在当前时刻的下一时刻对应的网络延迟信息在当前时刻的下一时刻到达之前发送给各个视频接收设备;
其中,所述固定数量的取值与在线教育视频使用的各个视频接收设备的数量成正比;
其中,将在线教育视频在当前时刻的下一时刻对应的网络延迟信息在当前时刻的下一时刻到达之前发送给各个视频接收设备包括:在线教育视频在当前时刻的下一时刻对应的网络延迟信息为在线教育视频在当前时刻的下一时刻各个视频接收设备分别对应的各份网络延迟时间;
其中,将在线教育视频在当前时刻的下一时刻对应的网络延迟信息在当前时刻的下一时刻到达之前发送给各个视频接收设备还包括:每一视频接收设备仅仅接收属于自己的网络延迟时间;
以及其中,应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息包括:当前时刻的下一时刻之前固定数量的多个时刻包括当前时刻,且当前时刻的下一时刻与当前时刻的下一时刻之前固定数量的多个时刻组成一个完整的时间区间,以及各个相邻时刻之间的间隔时长相等。
第二实施方案
图2为根据本发明第二实施方案示出的在线教育操作系统的结构方框图。
示出的在线教育操作系统包括:
延迟测量器件,与接收在线教育视频的各个视频接收设备连接,用于获取每一个视频接收设备任一历史时刻的接收视频内容的网络延迟时间,以获得每一历史时刻各个视频接收设备分别对应的各份网络延迟时间并作为所述每一历史时刻对应的网络延迟信息;
云计算服务器,与所述各个视频接收设备分别连接,用于执行对在线教育视频的内容接收和内容分发;
网络分析器件,用于获取在线教育视频的各项网络参数,在线教育视频的各项网络参数包括在线教育视频使用的云计算服务器的最大网络带宽、最高存储量、各个视频接收设备的数量、各个视频接收设备的网络带宽均值以及各个视频接收设备到云计算服务器的距离均值;
模型生成机构,用于生成人工智能模型,所述人工智能模型为经过设定数量的各次学习后的BP神经网络,每一次学习时,将在线教育视频的各项网络参数以及单个过往时刻之前固定数量的多个历史时刻分别对应的多份网络延迟信息作为所述BP神经网络的逐项输入内容,将所述单个过往时刻对应的、已知的网络延迟信息作为所述BP神经网络的单项输出内容,执行该次学习操作,所述设定数量的取值与在线教育视频使用的云计算服务器的最大网络带宽正向关联;
应用处理机构,分别与所述网络分析器件、所述延迟测量器件以及所述模型生成机构连接,用于应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息;
信息操作机构,与所述应用处理机构连接,用于将在线教育视频在当前时刻的下一时刻对应的网络延迟信息在当前时刻的下一时刻到达之前发送给各个视频接收设备;
实时显示机构,与所述信息操作机构连接,用于接收并显示在线教育视频在当前时刻的下一时刻对应的网络延迟信息;
例如,所述实时显示机构可以为液晶显示屏幕、LED显示阵列或者LCD显示阵列。
第三实施方案
图3为根据本发明第三实施方案示出的在线教育操作系统的结构方框图。
示出的在线教育操作系统包括:
延迟测量器件,与接收在线教育视频的各个视频接收设备连接,用于获取每一个视频接收设备任一历史时刻的接收视频内容的网络延迟时间,以获得每一历史时刻各个视频接收设备分别对应的各份网络延迟时间并作为所述每一历史时刻对应的网络延迟信息;
云计算服务器,与所述各个视频接收设备分别连接,用于执行对在线教育视频的内容接收和内容分发;
网络分析器件,用于获取在线教育视频的各项网络参数,在线教育视频的各项网络参数包括在线教育视频使用的云计算服务器的最大网络带宽、最高存储量、各个视频接收设备的数量、各个视频接收设备的网络带宽均值以及各个视频接收设备到云计算服务器的距离均值;
模型生成机构,用于生成人工智能模型,所述人工智能模型为经过设定数量的各次学习后的BP神经网络,每一次学习时,将在线教育视频的各项网络参数以及单个过往时刻之前固定数量的多个历史时刻分别对应的多份网络延迟信息作为所述BP神经网络的逐项输入内容,将所述单个过往时刻对应的、已知的网络延迟信息作为所述BP神经网络的单项输出内容,执行该次学习操作,所述设定数量的取值与在线教育视频使用的云计算服务器的最大网络带宽正向关联;
应用处理机构,分别与所述网络分析器件、所述延迟测量器件以及所述模型生成机构连接,用于应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息;
信息操作机构,与所述应用处理机构连接,用于将在线教育视频在当前时刻的下一时刻对应的网络延迟信息在当前时刻的下一时刻到达之前发送给各个视频接收设备;
各个视频接收设备,分别通过网络与所述云计算服务器连接,每一个视频接收设备服务于单个在线教育用户。
接着,继续对本发明的在线教育操作系统的具体结构进行进一步的说明。
在根据本发明的各个实施方案的在线教育操作系统中:
在线教育视频的各项网络参数包括在线教育视频使用的云计算服务器的最大网络带宽、最高存储量、各个视频接收设备的数量、各个视频接收设备的网络带宽均值以及各个视频接收设备到云计算服务器的距离均值包括:在线教育视频使用的各个视频接收设备的网络带宽均值为在线教育视频使用的各个视频接收设备分别对应的各个网络带宽的算术平均值;
其中,在线教育视频的各项网络参数包括在线教育视频使用的云计算服务器的最大网络带宽、最高存储量、各个视频接收设备的数量、各个视频接收设备的网络带宽均值以及各个视频接收设备到云计算服务器的距离均值包括:在线教育视频使用的各个视频接收设备到云计算服务器的距离均值为在线教育视频使用的各个视频接收设备分别到云计算服务器的各个距离的算术平均值。
在根据本发明的各个实施方案的在线教育操作系统中:
执行对在线教育视频的内容接收和内容分发包括:执行对在线教育视频的内容接收时,从执行视频内容实时拍摄的视频拍摄设备处接收在线教育视频的内容;
其中,执行对在线教育视频的内容接收和内容分发包括:执行对在线教育视频的内容分发时,向接收在线教育视频的各个视频接收设备分发在线教育视频的内容。
以及在根据本发明的各个实施方案的在线教育操作系统中:
应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息包括:将在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息作为人工智能模型的输入数据,运行所述人工智能模型以获得其输出的在线教育视频在当前时刻的下一时刻对应的网络延迟信息。
另外,在所述在线教育操作系统中,应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息包括:采用数值仿真模式完成应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息的测试和仿真。
因此,本发明技术效果体现为:
1、采用针对性设计的人工智能模型以基于各个视频接收设备的过往各个时刻的网络延迟量预测未来时刻各个视频接收设备的网络延迟量,从而为各个视频接收设备的后续的时间掌控和判断提供可靠数据;
2、采用的人工智能模型的针对性在于,学习的次数与在线教育视频使用的云计算服务器的最大网络带宽正向关联,以及参考的过往时刻的数量与在线教育视频使用的各个视频接收设备的数量成正比。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
虽然本发明已以实施例揭示如上,但其并非用以限定本发明,任何所属技术领域的普通技术人员,在不脱离本发明的精神和范围内,应当可以做出适当的改动和同等替换。因此本发明的保护范围应当以本申请权利要求所界定的范围为准。
Claims (10)
1.一种在线教育操作系统,其特征在于,所述系统包括:
延迟测量器件,与接收在线教育视频的各个视频接收设备连接,用于获取每一个视频接收设备任一历史时刻的接收视频内容的网络延迟时间,以获得每一历史时刻各个视频接收设备分别对应的各份网络延迟时间并作为所述每一历史时刻对应的网络延迟信息;
云计算服务器,与所述各个视频接收设备分别连接,用于执行对在线教育视频的内容接收和内容分发;
网络分析器件,用于获取在线教育视频的各项网络参数,在线教育视频的各项网络参数包括在线教育视频使用的云计算服务器的最大网络带宽、所述云计算服务器的最高存储量、各个视频接收设备的数量、各个视频接收设备的网络带宽均值以及各个视频接收设备到云计算服务器的距离均值;
模型生成机构,用于生成人工智能模型,所述人工智能模型为经过设定数量的各次学习后的BP神经网络,每一次学习时,将在线教育视频的各项网络参数以及单个过往时刻之前固定数量的多个历史时刻分别对应的多份网络延迟信息作为所述BP神经网络的逐项输入内容,将所述单个过往时刻对应的、已知的网络延迟信息作为所述BP神经网络的单项输出内容,执行该次学习操作,所述设定数量的取值与在线教育视频使用的云计算服务器的最大网络带宽正向关联;
应用处理机构,分别与所述网络分析器件、所述延迟测量器件以及所述模型生成机构连接,用于应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息;
信息操作机构,与所述应用处理机构连接,用于将在线教育视频在当前时刻的下一时刻对应的网络延迟信息在当前时刻的下一时刻到达之前发送给各个视频接收设备;
其中,所述固定数量的取值与在线教育视频使用的各个视频接收设备的数量成正比。
2.如权利要求1所述的在线教育操作系统,其特征在于:
将在线教育视频在当前时刻的下一时刻对应的网络延迟信息在当前时刻的下一时刻到达之前发送给各个视频接收设备包括:在线教育视频在当前时刻的下一时刻对应的网络延迟信息为在线教育视频在当前时刻的下一时刻各个视频接收设备分别对应的各份网络延迟时间;
其中,将在线教育视频在当前时刻的下一时刻对应的网络延迟信息在当前时刻的下一时刻到达之前发送给各个视频接收设备还包括:每一视频接收设备仅仅接收属于自己的网络延迟时间。
3.如权利要求2所述的在线教育操作系统,其特征在于:
应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息包括:当前时刻的下一时刻之前固定数量的多个时刻包括当前时刻,且当前时刻的下一时刻与当前时刻的下一时刻之前固定数量的多个时刻组成一个完整的时间区间,以及各个相邻时刻之间的间隔时长相等。
4.如权利要求3所述的在线教育操作系统,其特征在于,所述系统还包括:
实时显示机构,与所述信息操作机构连接,用于接收并显示在线教育视频在当前时刻的下一时刻对应的网络延迟信息。
5.如权利要求4所述的在线教育操作系统,其特征在于,所述系统还包括:
各个视频接收设备,分别通过网络与所述云计算服务器连接,每一个视频接收设备服务于单个在线教育用户。
6.如权利要求3-5任一所述的在线教育操作系统,其特征在于:
在线教育视频使用的各个视频接收设备的网络带宽均值为在线教育视频使用的各个视频接收设备分别对应的各个网络带宽的算术平均值。
7.如权利要求6所述的在线教育操作系统,其特征在于:
在线教育视频使用的各个视频接收设备到云计算服务器的距离均值为在线教育视频使用的各个视频接收设备分别到云计算服务器的各个距离的算术平均值。
8.如权利要求3-5任一所述的在线教育操作系统,其特征在于:
执行对在线教育视频的内容接收和内容分发包括:执行对在线教育视频的内容接收时,从执行视频内容实时拍摄的视频拍摄设备处接收在线教育视频的内容。
9.如权利要求8所述的在线教育操作系统,其特征在于:
执行对在线教育视频的内容接收和内容分发包括:执行对在线教育视频的内容分发时,向接收在线教育视频的各个视频接收设备分发在线教育视频的内容。
10.如权利要求3-5任一所述的在线教育操作系统,其特征在于:
应用人工智能模型以根据在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息分析在线教育视频在当前时刻的下一时刻对应的网络延迟信息包括:将在线教育视频的各项网络参数以及当前时刻的下一时刻之前固定数量的多个时刻分别对应的多份网络延迟信息作为人工智能模型的输入数据,运行所述人工智能模型以获得其输出的在线教育视频在当前时刻的下一时刻对应的网络延迟信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564033.8A CN116668475B (zh) | 2023-05-18 | 2023-05-18 | 在线教育操作系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564033.8A CN116668475B (zh) | 2023-05-18 | 2023-05-18 | 在线教育操作系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116668475A CN116668475A (zh) | 2023-08-29 |
CN116668475B true CN116668475B (zh) | 2023-12-26 |
Family
ID=87723398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310564033.8A Active CN116668475B (zh) | 2023-05-18 | 2023-05-18 | 在线教育操作系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116668475B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113992599A (zh) * | 2021-11-18 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 时延预测模型的训练方法和装置及拥塞控制方法和装置 |
CN114205266A (zh) * | 2021-11-18 | 2022-03-18 | 上海京像微电子有限公司 | 网络时延计算方法、装置、电子设备及存储介质 |
CN115277497A (zh) * | 2022-06-22 | 2022-11-01 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 传输延迟时间测量方法、装置、电子设备及存储介质 |
WO2023017884A1 (ko) * | 2021-08-12 | 2023-02-16 | 주식회사 노타 | 디바이스에서 딥러닝 모델의 레이턴시를 예측하는 방법 및 시스템 |
-
2023
- 2023-05-18 CN CN202310564033.8A patent/CN116668475B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023017884A1 (ko) * | 2021-08-12 | 2023-02-16 | 주식회사 노타 | 디바이스에서 딥러닝 모델의 레이턴시를 예측하는 방법 및 시스템 |
CN113992599A (zh) * | 2021-11-18 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 时延预测模型的训练方法和装置及拥塞控制方法和装置 |
CN114205266A (zh) * | 2021-11-18 | 2022-03-18 | 上海京像微电子有限公司 | 网络时延计算方法、装置、电子设备及存储介质 |
CN115277497A (zh) * | 2022-06-22 | 2022-11-01 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 传输延迟时间测量方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116668475A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hussain et al. | Using machine learning to predict student difficulties from learning session data | |
Kester et al. | Just-in-time, schematic supportive information presentation during cognitive skill acquisition | |
Shah et al. | Implementation of technology acceptance model in e-learning environment in rural and urban areas of Pakistan | |
CN111915148B (zh) | 一种基于信息技术的课堂教学评价方法和系统 | |
CN106127634B (zh) | 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统 | |
CN108234610A (zh) | 一种课堂互动和反馈系统 | |
Kanetaki et al. | A hybrid machine learning model for grade prediction in online engineering education | |
WO2022170985A1 (zh) | 选题方法、装置、计算机设备和存储介质 | |
CN108228674A (zh) | 一种基于dkt的信息处理方法及装置 | |
KR20190012939A (ko) | 인공지능 기반의 개인 맞춤형 stem 학습 서비스 시스템 및 그 방법 | |
CN111126610A (zh) | 题目分析方法、装置、电子设备和存储介质 | |
CN102467835A (zh) | 学习终端检选数字内容的系统及方法 | |
CN105260963A (zh) | 学科素养测评系统 | |
CN116668475B (zh) | 在线教育操作系统 | |
Gowda et al. | Improving Models of Slipping, Guessing, and Moment-By-Moment Learning with Estimates of Skill Difficulty. | |
Zhou | Virtual Reality Revolutionizing Digital Marketing Design and Optimization of Online English Teaching in Universities with Wireless Network Technology Support in the Context of 5G | |
CN116308917A (zh) | 基于互联网教育的教学质量评价方法、系统、介质及设备 | |
CN115187437A (zh) | 一种基于大数据的高校教学质量的评价方法及系统 | |
CN114691856A (zh) | 题目推荐方法、装置、设备及介质 | |
Fan et al. | Personalized recommendation algorithm for curriculum-and politics-oriented hybrid teaching resources | |
CN106971354A (zh) | 一种基于大数据的教学分析系统 | |
EP3624421A1 (en) | Method for monitoring activities performed by user groups in online digital environments | |
Chen et al. | Design of Assessment Judging Model for Physical Education Professional Skills Course Based on Convolutional Neural Network and Few‐Shot Learning | |
CN117455126B (zh) | 一种泛在实训教学和考评管理系统及方法 | |
KR102561666B1 (ko) | 인공지능 알고리즘을 이용한 문제은행 출제방식의 효율적인 학습방법 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231203 Address after: No. 2979, No. 7 Liulin Road East, Sujiatuo Town, Haidian District, Beijing, 100000 Applicant after: Shangxueshi Education Technology (Beijing) Co.,Ltd. Address before: No. 1, Group 8, Xinhua Community, Sixiang Street, Medical High tech Industrial Development Zone, Taizhou City, Jiangsu Province, 225300 Applicant before: Taizhou Yuangen Sports Equipment Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |