孫 鵬，白光偉，沈 航，顧一鳴

(南京工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 211816)

0 引 言

根據(jù)思科視覺網(wǎng)絡(luò)索引[1]的預(yù)計(jì)，到2021年視頻流將占世界移動(dòng)數(shù)據(jù)流量的四分之三。視頻服務(wù)提供商想讓自己提供的流媒體視頻服務(wù)得到用戶認(rèn)可，則需要一種以用戶接受程度為基準(zhǔn)的評(píng)價(jià)方法作為對(duì)他們服務(wù)的一種度量準(zhǔn)則，用戶體驗(yàn)質(zhì)量[2](quality of experience，QoE)由此產(chǎn)生。

QoE涉及到一些主觀因素，這些因素很多都是非線性的，現(xiàn)有的客觀視頻質(zhì)量評(píng)估(VQA)方法被證明不能充分地模擬QoE[3]建模，但VQA模型的結(jié)果仍是QoE預(yù)測(cè)系統(tǒng)設(shè)計(jì)中一個(gè)重要因素。視頻質(zhì)量評(píng)估(VQA)模型包括全參考模型(FR)、部分參考模型(RR)和非參考模型(NR)。

同樣客觀的服務(wù)質(zhì)量評(píng)價(jià)(QoS)都不足以直接用來(lái)模擬QoE建立模型，因此需要整合VQA、QoS相關(guān)指標(biāo)以及會(huì)影響到QoE一些關(guān)于人類認(rèn)知方面如記憶性、新近性[4]等因素。

本文提出訓(xùn)練一種連續(xù)時(shí)間的QoE預(yù)測(cè)模型，并且將連續(xù)時(shí)間QoE預(yù)測(cè)視為一種時(shí)間序列預(yù)測(cè)問(wèn)題。已有文獻(xiàn)[5]提出采用線性自回歸平均移動(dòng)距離(autoregressive-moving-average，ARMA)模型來(lái)進(jìn)行預(yù)測(cè)時(shí)間序列。雖然該模型更容易分析，但是其基于一種平穩(wěn)性假設(shè)，然而預(yù)測(cè)主觀QoE是非平穩(wěn)且具有復(fù)雜時(shí)間依賴性的過(guò)程，因此本文采用一種基于LSTM(長(zhǎng)短期記憶)的神經(jīng)網(wǎng)絡(luò)為引擎預(yù)測(cè)視頻流用戶連續(xù)QoE的方法，簡(jiǎn)稱L-QoE。LSTM在序列標(biāo)記[6]、視覺識(shí)別等應(yīng)用中對(duì)復(fù)雜時(shí)間依賴關(guān)系的建模是有效的。所提L-QoE模型依賴于3個(gè)輸入特征，即：①瞬時(shí)視頻感知質(zhì)量(short-time perceived video quality)用SPVQ表示；②播放狀態(tài)指示(playback indicator)表示為PI；③自上次視頻受損以來(lái)經(jīng)歷的時(shí)間，表示為T1。在已公開連續(xù)的QoE數(shù)據(jù)庫(kù)上對(duì)L-QoE進(jìn)行了評(píng)估，結(jié)果與當(dāng)前的QoE預(yù)測(cè)方法相比，本文提出方法預(yù)測(cè)結(jié)果的精確度更高。

1 相關(guān)工作

QoE預(yù)測(cè)模型需要以QoE受損視頻和相關(guān)人類主觀評(píng)分?jǐn)?shù)據(jù)庫(kù)為載體進(jìn)行設(shè)計(jì)和評(píng)估。研究人員設(shè)計(jì)了許多主觀視頻質(zhì)量數(shù)據(jù)庫(kù)[3,7,8]，但是這些數(shù)據(jù)庫(kù)不能模擬視頻由網(wǎng)絡(luò)引起的失真。本文研究目標(biāo)涉及了如重載卡頓和壓縮失真等混合動(dòng)態(tài)視頻損傷對(duì)用戶觀看流媒體視頻體驗(yàn)質(zhì)量的影響，選用LIVE Netflix[9,10]數(shù)據(jù)庫(kù)來(lái)對(duì)連續(xù)時(shí)間的QoE預(yù)測(cè)器進(jìn)行訓(xùn)練，該數(shù)據(jù)庫(kù)是基于帶寬可用模型模型設(shè)計(jì)，并且模擬應(yīng)用多種視頻失真模式(如圖1所示)。

圖1 LIVE Netflix數(shù)據(jù)庫(kù)中受損視頻演示

近期研究提出的QoE預(yù)測(cè)方式分為回顧性和連續(xù)性；回顧性QoE預(yù)測(cè)模型會(huì)輸出一個(gè)總結(jié)觀看完視頻QoE的總體得分?jǐn)?shù)值。當(dāng)前許多QoE預(yù)測(cè)模型都屬于回顧性QoE預(yù)測(cè)模型，例如Yeganeh H等[11]提出的DQS模型，該模型的精確度不高。Duanmu Z等[12]提出SQI模型和Bampis CG等[3]提出基于學(xué)習(xí)的Video ATLAS模型以及Zhang Y等[13]提出的FDT預(yù)測(cè)模型等。但是，這些模型只能進(jìn)行全局測(cè)量，因此不能捕捉到觀看流式視頻時(shí)主觀體驗(yàn)質(zhì)量在某一時(shí)刻的變化，從而實(shí)時(shí)性表現(xiàn)很差。

因此本文部署連續(xù)時(shí)間預(yù)測(cè)模型，將連續(xù)時(shí)間QoE預(yù)測(cè)問(wèn)題作為一種時(shí)間序列預(yù)測(cè)分析，公式表述

y(t)=f(y(t-1),y(t-2),…,y(1),x(t))

(1)

式(1)表述利用過(guò)去一段時(shí)間內(nèi)被預(yù)測(cè)QoE數(shù)值y(t-1∶1)以及視頻的時(shí)間特征x(t)來(lái)預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)所需該視頻的QoE數(shù)值y(t)。這樣度量QoE頻率會(huì)更高，有很強(qiáng)的實(shí)時(shí)性，非常適合服務(wù)提供商在優(yōu)化資源分配時(shí)進(jìn)行參考。

在連續(xù)時(shí)間QoE預(yù)測(cè)方面的問(wèn)題上，已有文獻(xiàn)[14-16]，分別使用H-W和NARX模型對(duì)僅受動(dòng)態(tài)比特率變化影響的視頻進(jìn)行連續(xù)時(shí)間的QoE預(yù)測(cè)。上述模型的問(wèn)題是輸入特征單一不全面，不能充分地描述影響人類主觀QoE的因素，因此導(dǎo)致模型預(yù)測(cè)精確度不高。

在最近的研究中，文獻(xiàn)[17]提出了一種被稱為NLSS-QoE的基于傳統(tǒng)狀態(tài)空間方法的非線性QoE預(yù)測(cè)模型，該模型在一定程度上模擬了在預(yù)測(cè)過(guò)程中復(fù)雜的時(shí)間依賴關(guān)系，但其固定對(duì)于時(shí)間依賴性的量化參數(shù)，無(wú)法適應(yīng)在實(shí)際中的動(dòng)態(tài)變化。

總結(jié)先前關(guān)于QoE的研究或多或少存在著以下問(wèn)題：

(1)訓(xùn)練模型時(shí)所用的數(shù)據(jù)庫(kù)存在局限性；

(2)提出的模型只能滿足單種輸入特征；

(3)與QoE相關(guān)的記憶性，動(dòng)態(tài)性以及其產(chǎn)生過(guò)程中非線性沒有被模擬出來(lái)；

(4)缺乏將連續(xù)時(shí)間QoE預(yù)測(cè)轉(zhuǎn)化為時(shí)間序列預(yù)測(cè)的有效措施。

為了建立實(shí)時(shí)性好精確度高的預(yù)測(cè)模型，需要克服這些問(wèn)題，本文也將在后面章節(jié)中就這些問(wèn)題提出相應(yīng)的解決方案。

2 QoE預(yù)測(cè)建模

2.1 問(wèn)題建模

根據(jù)國(guó)際電信聯(lián)盟對(duì)QoE的定義：最終用戶主觀感知的應(yīng)用程序或服務(wù)的總體質(zhì)量[18]。許多心理視覺實(shí)驗(yàn)研究都假設(shè)，人類視覺系統(tǒng)(HVS)中視覺質(zhì)量與感知體驗(yàn)之間的關(guān)系是高度非線性的[19]，用戶在觀看視頻時(shí)產(chǎn)生的QoE實(shí)質(zhì)是外界刺激的非線性函數(shù)。視覺QoE是動(dòng)態(tài)以及時(shí)變的，在一系列因素例如視頻的重載和碼率變化下的影響下，HVS會(huì)產(chǎn)生滯后效應(yīng)，即過(guò)去事件的發(fā)生在當(dāng)前時(shí)刻對(duì)QoE留下了非?？捎^的影響。滯后效應(yīng)本質(zhì)上意味著QoE產(chǎn)生過(guò)程在本質(zhì)上是非馬爾可夫的，在于最開始事件序列中存在著一種影響當(dāng)前QoE的記憶。隨著時(shí)間不斷推移，QoE產(chǎn)生過(guò)程會(huì)具有長(zhǎng)時(shí)間跨度的一種依賴關(guān)系，如圖2所示。

圖2 QoE產(chǎn)生過(guò)程的非馬爾可夫性

由于滯后效應(yīng)，連續(xù)時(shí)間的QoE體現(xiàn)出非馬爾可夫時(shí)間動(dòng)態(tài)性。為了捕捉這種動(dòng)態(tài)，本文使用了LSTM，在文獻(xiàn)[20]中已被證明其在建立具有長(zhǎng)期時(shí)序依賴關(guān)系的序列數(shù)據(jù)方面是有效的。LSTM已經(jīng)成功地應(yīng)用于解決諸如序列標(biāo)記[6]、視覺識(shí)別[21]和機(jī)器翻譯等復(fù)雜問(wèn)題。在此基礎(chǔ)上，本文提出了一種基于LSTM的連續(xù)QoE預(yù)測(cè)模型。

2.2 LSTM神經(jīng)網(wǎng)絡(luò)框架

本文找尋一個(gè)合適的神經(jīng)網(wǎng)絡(luò)框架，即LSTM模型：LSTM(long short-term memory)模型是一種RNN變種，而遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)是目前就所知在時(shí)間序列預(yù)測(cè)模型最常用并且最強(qiáng)大的工具。LSTM架構(gòu)核心是cell狀態(tài)(cell state)，其作用是將信息從上一個(gè)cell傳遞到下一個(gè)cell，和其它部分只有很少的線性的相互作用。LSTM在一般RNN結(jié)構(gòu)添加了3類閥門：遺忘閥門(forget gate)，輸入閥門(input gate)和輸出閥門(output gate)。這些閥門用于判斷模型網(wǎng)絡(luò)的記憶態(tài)在該層輸出結(jié)果是否達(dá)到閾值從而加入到當(dāng)前該層計(jì)算中。閥門由一個(gè)sigmoid函數(shù)和一個(gè)點(diǎn)乘操作組成。sigmoid函數(shù)的輸出值在[0,1]區(qū)間，0代表完全丟棄，1代表完全通過(guò)。模型中所需要的記憶功能由這些閥門節(jié)點(diǎn)實(shí)現(xiàn)。因此，通過(guò)調(diào)節(jié)閥門的開關(guān)可以實(shí)現(xiàn)早期的時(shí)間序列對(duì)最終結(jié)果的影響。每一層包括閥門節(jié)點(diǎn)的權(quán)重都會(huì)在每一次模型反向傳播訓(xùn)練過(guò)程中更新，經(jīng)典LSTM單元節(jié)點(diǎn)結(jié)構(gòu)如圖3所示。

圖3 LSTM單元結(jié)構(gòu)

根據(jù)LSTM的結(jié)構(gòu)，每個(gè)LSTM單元工作的公式描述如下

ft=σ(Wf·[Ht-1,xt]+bf)

(2)

it=σ(Wi·[Ht-1,xt]+bi)

(3)

(4)

(5)

ot=σ(Wo·[Ht-1,xt]+bo)

(6)

Ht=ot×tanh(ct)

(7)

此外，LSTM利用輸入閥門，遺忘閥門和輸出閥門使得自循環(huán)的權(quán)重可以自適應(yīng)調(diào)整，從而在一定程度上規(guī)避了梯度消失的問(wèn)題。

2.3 L-QoE模型

x(t)=[x1(t),x2(t),x3(t),…,xm(t)]

(8)

p(y(t)|y(t-1),y(t-2),…,y(1))≠p(y(t)|y(t-1))

(9)

其中，式(9)中條件概率為p(y(t)|y(t-1),y(t-2),…,y(1))，QoE產(chǎn)生表現(xiàn)出高度時(shí)間依賴性，但這種長(zhǎng)時(shí)間依賴性很復(fù)雜，使用單個(gè)LSTM單元可能無(wú)法有效地捕獲它們。因此目前想法是建議建立一個(gè)LSTM網(wǎng)絡(luò)來(lái)學(xué)習(xí)這些涉及到QoE預(yù)測(cè)過(guò)程的依賴關(guān)系，其表述如圖4所示。這個(gè)提議的動(dòng)機(jī)來(lái)自于各種基于LSTM的解決方案，這些解決方案已被證明能夠成功地解決一些涉及復(fù)雜依賴關(guān)系問(wèn)題，例如序列學(xué)習(xí)[22]，活動(dòng)識(shí)別和圖像描述。

圖4 L-QoE網(wǎng)絡(luò)架構(gòu)

(10)

單元cell狀態(tài)更新總體上描述公式如下

(11)

從式(10)、式(11)中可以看出，輸入特征x(t)對(duì)于連續(xù)的QoE預(yù)測(cè)是至關(guān)重要的。所選的輸入特征應(yīng)該有效的捕獲和整合能夠在LSTM狀態(tài)轉(zhuǎn)換中影響QoE預(yù)測(cè)的因素。本文在下面小節(jié)中，討論輸入特征向量x(t)的組成。

2.4 輸入特征選擇

出于它們被證實(shí)的有效性[23]，本文在L-QoE中使用了以下3個(gè)特征來(lái)預(yù)測(cè)QoE：

(1)瞬時(shí)視頻感知質(zhì)量(short-time perceived video quality,SPVQ)：定義為當(dāng)前呈現(xiàn)給用戶的視頻片段的感知質(zhì)量，使用現(xiàn)有的視頻質(zhì)量評(píng)估指標(biāo)(VQA)作為輸入。例如采用全參考(FR)的MS-SSIM，VMAF；部分參考的(RR)STRRED，以及無(wú)參考的(NR)的NIQE。

(2)播放狀態(tài)指示(playback indicator，PI)：當(dāng)前的視頻播放狀態(tài)，用布爾值表示，即

(12)

(3)距最近發(fā)生視頻重載經(jīng)歷的時(shí)間(T1)：一個(gè)重載事件后通常是一個(gè)恢復(fù)階段，在這個(gè)階段中，由于卡頓而下降的QoE會(huì)隨著播放過(guò)程的進(jìn)行而恢復(fù)。本文使用T1，一個(gè)變量來(lái)跟蹤自上次重載事件發(fā)生以來(lái)經(jīng)過(guò)的時(shí)間，并且假設(shè)QoE的恢復(fù)和T1成正相關(guān)。

在下面的章節(jié)中討論了在QoE數(shù)據(jù)庫(kù)上的L-QoE的實(shí)施和性能評(píng)估。

3 L-QoE實(shí)現(xiàn)

3.1 數(shù)據(jù)庫(kù)選擇和描述

本文使用已公開的連續(xù)QoE數(shù)據(jù)庫(kù)對(duì)提出的L-QoE模型進(jìn)行訓(xùn)練和評(píng)估。數(shù)據(jù)庫(kù)的細(xì)節(jié)，以及訓(xùn)練和測(cè)試流程的描述如下。

LIVE Netflix數(shù)據(jù)庫(kù)：該數(shù)據(jù)庫(kù)包含在56個(gè)實(shí)驗(yàn)者參與下從移動(dòng)設(shè)備上提供的112個(gè)視頻的主觀評(píng)估中收集的約5000個(gè)連續(xù)和回顧性主觀QoE評(píng)分。它是基于帶寬可用模型模型設(shè)計(jì)的，并且在來(lái)自Netflix和其它公開可用視頻源劃分出14不同種類視頻內(nèi)容，每個(gè)種類中有8個(gè)視頻且采用不同的視頻播放模式，數(shù)據(jù)庫(kù)中的視頻分辨率為1920×1080。數(shù)據(jù)庫(kù)中視頻的連續(xù)QoE分?jǐn)?shù)的范圍為[-2.26,1.52]，分值與QoE成正相關(guān)。

為了減少內(nèi)容和模式依賴，我們將數(shù)據(jù)庫(kù)中14種內(nèi)容劃分為兩個(gè)不相交的集合：一個(gè)訓(xùn)練集和一個(gè)包含不重疊內(nèi)容的測(cè)試集；具體表述為：用j為庫(kù)中視頻做編號(hào)，即j∈[1,2,…,112]，對(duì)于每個(gè)j對(duì)應(yīng)的視頻，排除與j具有相同內(nèi)容種類或相同播放模式的所有其它視頻，將這些視頻定義為第j號(hào)訓(xùn)練集，而與其對(duì)應(yīng)的測(cè)試集只包含單獨(dú)視頻j，每個(gè)訓(xùn)練測(cè)試集含有(14-1)×(8-1)=91個(gè)視頻。

3.2 性能評(píng)估度量方法

所提出的模型對(duì)QoE預(yù)測(cè)性能使用以下4種度量方法進(jìn)行量化：①線性相關(guān)系數(shù)(LCC);②斯皮爾曼等級(jí)相關(guān)系數(shù)(SROCC);③歸一化的根均方差(RMSEn);④中斷率(OR)。

LCC的定義公式為

(13)

SROCC定義公式為

(14)

(15)

式中：N為實(shí)際進(jìn)行預(yù)測(cè)的次數(shù)；而OR則表示預(yù)測(cè)序列落在在實(shí)際值序列的兩倍置信區(qū)間之外的頻率，公式定義

(16)

式中：置信區(qū)間范圍設(shè)為95%，即CIy(t)=95%。其中SROCC和LCC的值越高，預(yù)測(cè)模型性能越好，具有更好的單調(diào)性和線性精度，而較低的RMSEn和OR數(shù)值則表明該模型具有較好的預(yù)測(cè)結(jié)果相似度。SROCC和LCC僅在樣本之間互相獨(dú)立時(shí)才能獲得最好效果，而RMSEn不能捕獲時(shí)序性誤差變化，OR則是不能評(píng)判在置信區(qū)間內(nèi)預(yù)測(cè)值與實(shí)際值的誤差大小。由于模型中預(yù)測(cè)分?jǐn)?shù)是高度時(shí)間依賴性的，因此將本文上述4種方法組合起來(lái)評(píng)估QoE預(yù)測(cè)模型的性能。

3.3 L-QoE網(wǎng)絡(luò)的參數(shù)選擇

在這一節(jié)研究LSTM網(wǎng)絡(luò)含有的層數(shù)m和單元數(shù)n對(duì)QoE預(yù)測(cè)的影響，圖5說(shuō)明L-QoE在LSTM網(wǎng)絡(luò)中配置不同的層數(shù)m和單元數(shù)n的預(yù)測(cè)性能變化通過(guò)改變層數(shù)和LSTM單元的數(shù)量，在LIVE Netflix數(shù)據(jù)庫(kù)上使用SPVQ、PI和T1這些輸入特征檢查預(yù)測(cè)性能。

圖5 各種L-QoE網(wǎng)絡(luò)配置的QoE預(yù)測(cè)性能

從圖5觀察到，當(dāng)網(wǎng)絡(luò)配置在2層及以上，LSTM單元在15個(gè)以上時(shí)在LCC和OR的表現(xiàn)趨于飽和。當(dāng)LSTM層數(shù)超過(guò)2層時(shí)，模型僅產(chǎn)生了輕微的性能改善，并且在配置超過(guò)4個(gè)LSTM層時(shí)模型性能開始下降。這可能是因?yàn)殡S著LSTM單元和層數(shù)增加，網(wǎng)絡(luò)變得越來(lái)越深，而訓(xùn)練這樣一個(gè)更大的網(wǎng)絡(luò)可能會(huì)因?yàn)闈撛谶^(guò)度擬合而導(dǎo)致效率降低。綜合考慮性能表現(xiàn)以及計(jì)算消耗，在仔細(xì)研究LCC和OR性能的基礎(chǔ)上，選用2個(gè)LSTM層和每層16個(gè)單元的配置是LSTM網(wǎng)絡(luò)預(yù)測(cè)QoE最佳選擇，即m=2，n=16。下一節(jié)中將討論提出的輸入特征對(duì)QoE預(yù)測(cè)的影響。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 輸入特征貢獻(xiàn)

本節(jié)研究證實(shí)各個(gè)輸入特征(SPVQ，PI，T1)的不同組合對(duì)QoE預(yù)測(cè)的貢獻(xiàn)，即將這些特征組合輸入到L-QoE網(wǎng)絡(luò)中，并在LIVENetflix數(shù)據(jù)庫(kù)上評(píng)估它們的QoE預(yù)測(cè)性能。在這里采用STRRED作為SPVQ以及2層16個(gè)單元的LSTM網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)。圖6說(shuō)明了在不同的特征組合下模型LCC以及OR的表現(xiàn)，將各個(gè)輸入特征組合全部列出：a:SPVQ、b:PI、c:T1、d:SPVQ+PI、e:PI+T1、f:SPVQ+T1、g:SPVQ+PI+T1；其中越高的LCC和越低的OR值越能說(shuō)明模型性能的優(yōu)越性。結(jié)果如圖6所示，結(jié)果顯示g組的表現(xiàn)最好，即采用全部輸入特征：SPVQ，PI，T1作為L(zhǎng)-QoE的輸入驅(qū)動(dòng)，隨后討論L-QoE連續(xù)性預(yù)測(cè)表現(xiàn)。

4.2 L-QoE的預(yù)測(cè)表現(xiàn)

圖6 各種輸入特征組合的QoE預(yù)測(cè)性能

圖7、圖8、圖9分別直觀展現(xiàn)本文提出的L-QoE模型以及作為對(duì)比的NARX[16]、H-W[21,27]模型在LIVE Netflix數(shù)據(jù)庫(kù)上某個(gè)視頻序列中的預(yù)測(cè)表現(xiàn)，圖中實(shí)線與虛線分別表示實(shí)際與預(yù)測(cè)的QoE數(shù)值。

圖7 L-QoE在數(shù)據(jù)庫(kù)上分別以MS-SSIM，STRRED，NIQE作為SPVQ的度量方法的表現(xiàn)

圖8 NARX在數(shù)據(jù)庫(kù)上分別以STRRED，MS-SSIM，NIQE作為SPVQ的度量方法的表現(xiàn)

圖9 H-W在數(shù)據(jù)庫(kù)上分別以STRRED，MS-SSIM，NIQE作為SPVQ的度量方法的表現(xiàn)

表1 L-QoE和其它模型的QoE預(yù)測(cè)性能

實(shí)驗(yàn)結(jié)果表明，提出的L-QoE網(wǎng)絡(luò)模型能夠捕獲QoE預(yù)測(cè)過(guò)程中復(fù)雜的長(zhǎng)時(shí)間依賴關(guān)系，因此我們推斷L-QoE是一種高效、有效的QoE預(yù)測(cè)模型。

4.3 L-QoE的回顧性預(yù)測(cè)表現(xiàn)

本節(jié)探究能否通過(guò)L-QoE的連續(xù)性預(yù)測(cè)分?jǐn)?shù)推算用戶的回顧性QoE。除連續(xù)的QoE評(píng)分外，LIVE Netflix數(shù)據(jù)庫(kù)還提供主觀研究中每個(gè)視頻結(jié)束時(shí)獲得的總體QoE分?jǐn)?shù)。分別使用平均匯總和中值匯總兩種策略，將預(yù)測(cè)的連續(xù)時(shí)間QoE分值推算出的回顧性QoE分?jǐn)?shù)，用與回顧性QoE評(píng)分的實(shí)際值的相關(guān)性來(lái)評(píng)價(jià)結(jié)果。分別使用LCC與SROCC作為性能度量方法，通過(guò)使用兩種匯總策略，結(jié)果見表2。即模型所展現(xiàn)出的回顧性QoE預(yù)測(cè)值與實(shí)際值之間的線性相關(guān)性以及單調(diào)性的表現(xiàn)非常好。實(shí)驗(yàn)結(jié)果也展示出可通過(guò)L-QoE模型得出的連續(xù)時(shí)間QoE預(yù)測(cè)值來(lái)推算該視頻的回顧性QoE值。

表2 不同匯總策略推算回顧性QoE的預(yù)測(cè)性能

5 結(jié)束語(yǔ)

本文提出一種預(yù)測(cè)連續(xù)時(shí)間QoE的L-QoE模型，該模型采用LSTM網(wǎng)絡(luò)來(lái)捕獲與QoE的產(chǎn)生和預(yù)測(cè)過(guò)程中復(fù)雜時(shí)間依賴關(guān)系。該模型進(jìn)行的QoE預(yù)測(cè)使用了一組能確定QoE的特征，在LIVENetflix數(shù)據(jù)庫(kù)對(duì)所提出的模型進(jìn)行了綜合評(píng)價(jià)。結(jié)果表明，L-QoE提供一個(gè)很好的預(yù)測(cè)結(jié)果并且預(yù)測(cè)精確度要優(yōu)于近期提出的一些預(yù)測(cè)模型。在未來(lái)工作中，我們打算繼續(xù)探究并描述QoE預(yù)測(cè)過(guò)程中的復(fù)雜時(shí)間依賴性，尋找一個(gè)魯棒通用的QoE預(yù)測(cè)方法，可以在更多不同的QoE數(shù)據(jù)庫(kù)以及不同場(chǎng)景的流視頻上提供更好的預(yù)測(cè)精確度。