技术领域
[0001] 本申请涉及人工智能技术领域，具体涉及机器学习应用技术领域，尤其涉及一种视频感知质量的预测方法、装置及电子设备。
相关背景技术
[0002] 随着5G网络的发展，视频业务规模快速增长，视频感知QoE(Quality of user experience，用户体验质量)是评估视频业务质量的重要手段。如何针对视频业务质量问题进行精准化的感知评估，已成为目前亟需解决的问题。
具体实施方式
[0023] 下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0024] 需要说明的是，随着5G网络的发展，视频业务规模快速增长，视频感知QoE(Quality of user experience，用户体验质量)是评估视频业务质量的重要手段。如何针对视频业务质量问题进行精准化的感知评估，已成为目前亟需解决的问题。
[0025] 在相关技术中，评估视频感知质量的主要方法包括：
[0026] (一)通过各种场景的CQT(Call Quality Test，呼叫质量拨打测试)来评估和分析视频感知质量，但是CQT需要消耗大量的人力物力，其次CQT测试有较大局限性，即CQT场景测试场景较为多，例如有购物商城、写字楼、地铁等，无线环境的差异较大，测试地点选择对视频业务体验质量评估结果影响非常大。
[0027] (二)在用户上网日志记录中获取视频客户端上报的视频播放过程的事件信息，这些信息通常包括视频流的缓冲时间和卡顿等信息，可用来评估视频感知质量。但是，该方法需要拨测破解URI(Uniform Resource Identifier，网络统一资源标识符)中的感知特征规则，不同客户端规则不同，破解难度较大，且客户端版本升级后URI格式可能变化，原有规则不可用，导致客户端上报信息获取较为困难，感知特征规则维护成本较高。
[0028] 为了解决上述问题，本申请提出了一种视频感知质量的预测方法、装置及电子设备。
[0029] 图1为本申请实施例所提供的一种视频感知质量的预测方法的流程图。需要说明的是，本申请实施例中的视频感知质量的预测方法可以应用于本申请实施例中的视频感知质量的预测装置，且该装置可配置于电子设备中。其中，电子设备可以为服务器等设备。如图1所示，该方法可以包括以下步骤：
[0030] 步骤101，获取视频播放过程所对应的视频话单数据。
[0031] 在本申请的一些实施例中，获取视频播放过程中所对应的视频话单数据是指获取目标应用程序在视频播放过程中的视频话单数据。其中，视频播放过程可以为某用户一次播放视频的过程，也可以为当前时刻下的目标应用程序中所有的视频播放过程，还可以为某时间段内目标应用程序中某城市的用户所对应的视频播放过程，此处可以基于实际需求来确定，本申请对此不作限定。
[0032] 在本申请的一些实施例中，视频话单数据为目标应用程序在视频播放过程中基于HTTP协议和TCP协议的视频流信息合成的Video视频合成话单数据。视频话单数据中包括视频播放过程中的关键参数信息，比如可以包括位置信息、播放时间信息、用户信息、TCP包的传输特征信息、初始响应时长、下载时长等。
[0033] 也就是说，此处的视频话单数据包括每次视频播放所对应的话单数据，由于此处的视频播放过程可以一次，也可以为多次，所以视频话单数据可以包括一次视频播放过程所对应的视频话单数据，也可以包括多次视频播放过程所对应的视频话单数据，即视频话单数据的数量可以为一组，也可以为多组，其中，每组视频话单数据对应一次视频播放过程。
[0034] 作为一种示例，每组视频话单数据可以包括以下字段：city_id(城市id)、starttime(播放开始时间)、endtime(播放结束时间)、msisdn(用户标识信息)、subservice_id(应用id)、VIDEOID(视频id)、UL_IP_PACKET(上行IP包数)、DL_IP_PACKET(下行IP包数)、UL_DISORDER_IP_PACKET(上行TCP乱序IP包数)、DL_DISORDER_IP_PACKET(下行TCP乱序IP包数)、UL_RETRANS_IP_PACKET(上行TCP重传IP包数)、DL_RETRANS_IP_PACKET(下行TCP重传IP包数)、TCP_RESPONSE_TIME(TCP建链响应时延)、TCP_ACK_TIME(TCP建链确认时延)、FIRST_REQ_TIME(TCP建链成功到第一条事务请求的时延)、FIRST_RESPONSE_TIME(首次响应时延)、VIDEODOWNOCTETS(视频下载数据量)、VIDEODOWNTIME(视频下载时长)、VIDEODOWNRATE(视频下载速率)等。
[0035] 步骤102，根据视频话单数据，确定视频播放关键性能指标数据。
[0036] 其中，视频播放关键性能指标数据可以是基于视频话单数据计算得到的。作为一种实现方式，视频播放关键性能指标数据可以包括city_id(城市id)、starttime(播放开始时间)、endtime(播放结束时间)、videodownrate(视频下载速率)、tcpdisorderrate(TCP乱序率)、tcpretranrate(TCP重传率)、videoplaysuccrate(视频播放成功率)、tcpavgtime(TCP建立平均时延)、httpavgresptime(http响应平均时延)、httpdlrate500(大包视频下载速率)、upavgrtt(上行平均RTT)、downavgrtt(下行平均RTT)、tcpupavgtime(TCP建立平均时延‑核心网)、tcpdownavgtime(TCP建立平均时延‑无线侧)、tcpupretranrate(TCP上行重传率)、tcpdownretranrate(TCP下行重传率)、tcpupdisorderrate(TCP上行乱序率)、tcpdowndisorderrate(TCP下行乱序率)、updownpacketratio(TCP上行报数与TCP下行包数的比值)、updownavgrttratio(上行平均RTT与下行平均RTT的比值)等。
[0037] 作为一种实现方式，若需要对每次视频播放过程的视频感知质量进行预测，则步骤101相当于获取每次视频播放过程所对应的视频话单数据，根据每次视频播放过程所对应的视频话单数据进行计算，得到每次视频播放过程所对应的视频播放关键性能指标数据，再将每次视频播放过程所对应的视频播放关键性能指标数据输入至视频感知质量预测模型，得到每次视频播放过程的视频感知质量预测分值。
[0038] 作为另一种实现方式，可以对每间隔5分钟，确定这段时间内各个城市的视频播放所对应的视频感知质量，即获取当前5分钟内的所有视频播放过程的视频话单数据，将这些话单数据以城市的维度进行汇聚计算，得到当前5分钟内每个城市所对应视频播放关键性能指标数据，再将每个城市所对应的视频播放关键性能指标数据输入至视频感知质量预测模型，获得当前5分钟内每个城市的视频感知质量预测分值。
[0039] 需要说明的是，由于并非所有视频均能正常播放，所以视频话单数据中可能存在一些缺失或者异常的情况，若某组视频话单数据存在异常，则在确定视频播放关键性能指标数据时，将该组存在异常的视频话单数据删除。
[0040] 举例而言，若通过本方案实现对目标应用程序各个城市的实时视频感知质量的评估，则步骤101获取的视频话单数据可以为目标应用程序某城市中的用户在当前的5分钟时段内的所有视频播放所对应的视频话单数据，在根据视频话单数据，确定视频播放关键性能指标数据时，需要对视频话单数据进行汇聚计算，以得到当前5分钟内的所有视频播放过程所对应的视频播放关键性能指标数据。具体的汇聚计算过程如下表1所示，以下计算过程中的视频话单数据均为已剔除异常数据后的视频话单数据：
[0041] 表1得到视频播放关键性能指标数据的汇聚计算表格
[0042]
[0043]
[0044]
[0045]
[0046] 步骤103，将视频播放关键性能指标数据输入至预设的视频感知质量预测模型，获得视频播放过程的视频感知质量预测分值；其中，视频感知质量预测模型已经学习得到视频播放关键性能指标数据与视频感知质量分值之间的映射关系。
[0047] 在本申请的一些实施例中，视频播放过程的视频感知质量预测分值可以为QoE(Quality of user experience，用户体验质量)分值。视频感知质量预测模型可以基于包含视频播放关键性能指标数据样本以及对应的视频感知质量分值标签的训练样本，对预测模型进行训练得到。其中，视频感知质量预测模型可以为神经网络模型，也可以为机器学习模型，比如XGBoost模型，也可以为其他预测模型，本申请对此不作限定。
[0048] 本方案可以基于目标应用程序在视频播放过程中所对应的视频话单数据，以不同维度进行实时视频质量监控，还可以进行不同维度非实时性的视频质量实时监控。比如，本方案可以基于目标应用程序在视频播放过程中所对应的视频话单数据，获取每次视频播放的视频感知预测分值，还可以实时获取每个用户进行视频播放时的视频感知预测分值，还可以实时获取不同城市的用户在进行视频播放时的视频感知预测分值。此外，本方案还可以基于预设时间段内特定用户的视频播放过程所对应的视频话单数据，获得在该时间段内这些用户的视频感知预测分值，也可以基于预设时间段内的视频播放过程所对应的视频话单数据，获得每个城市的用户在该时间段内的视频感知预测分值。
[0049] 需要说明的是，步骤102中的视频播放关键性能指标数据所对应的维度需要与视频感知质量预测模型训练过程中使用的训练样本的维度是一致的。比如，若步骤102中的视频播放关键性能指标数据为一次视频播放过程所对应的指标数据，则视频感知质量预测模型也是基于每次视频播放过程的视频播放关键性能指标数据和视频感知质量分值训练得到的；若步骤102中的视频播放关键性能指标数据为每5分钟内各个城市的所有视频播放过程所汇聚的指标数据，则视频感知质量预测模型也是基于以5分钟为时间粒度不同城市的训练数据进行训练得到的。
[0050] 根据本申请实施例的视频感知质量的预测方法，通过获取视频播放过程所对应的视频话单数据，根据视频话单数据，确定视频播放关键性指标数据，并将视频播放关键性指标数据输入至已经学习得到视频播放关键性能指标数据与视频感知质量分值之间的映射关系的视频感知质量预测模型，获得视频播放过程的视频感知质量预测分值。本方案基于已学习到视频播放关键性能指标数据与视频感知质量分值之间的映射关系的视频感知质量预测模型，来实现视频感知质量分值的预测，不仅可以提升视频感知质量评估的准确性，也可以降低实现成本，同时也可以实现视频质量的实时监控。
[0051] 接下来，将针对视频感知质量预测模型的训练过程进行详细介绍。
[0052] 图2为本申请实施例中视频感知质量预测模型的训练过程的流程图。如图2所示，本申请实施例中的视频感知质量预测模型可以通过以下步骤预先得到：
[0053] 步骤201，基于视频拨测数据样本和视频拨测数据样本所关联的目标视频话单数据样本，确定训练样本。
[0054] 其中，视频拨测数据样本是指模拟真实用户在目标应用中进行视频播放测试时所生成的记录。其中，视频拨测数据样本为每次视频拨测所对应的记录所构成的数据集。视频拨测数据样本中每条数据可以包括拨测地点、拨测开始时间、拨测结束时间、视频的标识信息、用户的标识信息、播放时长、首播时延、卡顿次数、卡顿时长等。视频拨测数据样本所关联的目标视频话单数据样本，是指视频拨测过程所产生的视频话单数据所构成的数据集，目标视频话单数据样本与上述实施例中视频话单数据中构成的字段一致。
[0055] 在本申请的一些实施例中，可以基于目标视频话单数据样本，确定对应的视频播放关键性能指标数据样本，再基于目标视频话单数据样本所关联的视频拨测数据样本，确定视频播放关键性能指标数据样本所对应的视频感知质量分值标签，将视频播放关键性能指标数据样本及其对应的视频感知质量分值标签，确定为训练样本。
[0056] 由于视频拨测数据样本中的首播时延、卡顿感知等指标是真实感知指标，所以可以通过将视频拨测数据与基于上网日志话单中得到的视频播放关键性能指标数据结合，得到视频播放特征数据+真实感知的样本数据，从而能使预测模型学习得到视频播放关键性能指标数据与视频感知质量分值之间的映射关系，以提升视频感知质量评估的准确性。
[0057] 步骤202，基于训练样本对预测模型进行训练，得到视频感知质量预测模型。
[0058] 在本申请的一些实施例中，可以基于视频拨测数据样本和视频拨测数据样本所关联的目标视频话单数据样本，确定训练样本和测试样本，比如可以按照80％和20％的比例进行划分。其中，预测模型可以为神经网络模型，也可以为机器学习模型，比如XGBoost模型。
[0059] 作为一种示例，预测模型可以为XGBoost模型，其中模型参数可以设置为：树的数量为100、最大深度为6、学习率为0.03；在将训练样本对XGBoost模型进行训练时，模型将逐步优化损失函数，并生成一系列的弱分类器；通过测试样本对训练好的XGBoost模型进行评估，比如以R2分数、均方误差MSE、均分根误差RMSE等指标对XGBoost模型进行评估。此外，在超参数调优方面，可以使用遗传算法对XGBoost超参数进行调优。
[0060] 根据本申请实施例的视频感知质量的预测方法，通过基于视频拨测数据样本和视频拨测数据样本所关联的目标视频话单数据样本，确定训练样本，再基于训练样本对预测模型进行训练，得到视频感知质量预测模型。本方案通过将视频拨测数据与视频话单数据进行结合来构建训练样本，使训练样本中既包含视频播放特征信息，也包括真实感知信息，从而可以通过有监督机器学习的方式构建视频感知质量预测模型，进而可以提升视频感知质量评估的准确性。
[0061] 图3为本申请实施例中构建训练样本的流程图。如图3所示，基于上述实施例，步骤201的实现过程可以包括以下步骤：
[0062] 步骤301，获取在视频拨测过程中生成的视频拨测数据样本。
[0063] 其中，视频拨测过程是指模拟真实用户在目标应用中播放视频的过程，每模拟播放一次视频得到一组视频拨测数据，以得到视频拨测数据样本。
[0064] 步骤302，获取与视频拨测过程的时间点对应的视频话单数据样本。
[0065] 在本申请的一些实施例中，与视频拨测过程的时间点对应的视频话单数据样本是指，根据视频拨测过程的开始时间和结束时间，确定目标开始时间和目标结束时间，获取目标开始时间至目标结束时间段时间内目标应用程序中视频播放过程的视频话单数据，并将其组成视频话单数据样本。其中，目标开始时间可以为开始时间‑预设的时间差值，目标结束时间可以为结束时间+预设的时间差值。
[0066] 步骤303，从视频话单数据样本中确定与视频拨测数据样本关联的目标视频话单数据样本。
[0067] 可以理解，视频话单数据样本中除了包含视频拨测过程所对应的视频话单数据，还包括目标应用程序中真实用户播放视频过程所对应的视频话单数据，所以需要从视频话单数据样本中确定视频拨测过程所对应的目标视频话单数据样本。
[0068] 若视频拨测数据样本中视频拨测数据A与视频话单数据样本中的视频话单数据B为同时间、同用户、同城市，且播放的为同视频，则可以认为视频话单数据B为拨测过程所对应的话单数据，即视频话单数据B与视频拨测数据A是关联的。
[0069] 作为一种可能的实现方式，从视频话单数据样本中确定与视频拨测数据样本关联的目标视频话单数据样本的实现方式可以包括：确定视频拨测数据样本中的拨测时间信息、第一位置信息、拨测视频信息和第一用户信息；确定视频话单数据样本中的播放时间信息、第二位置信息、播放视频信息和第二用户信息；根据拨测时间信息、第一位置信息、拨测视频信息、第一用户信息、播放时间信息、第二位置信息、播放视频信息和第二用户信息，从视频话单数据样本中确定与视频拨测数据样本关联的目标视频话单数据样本。
[0070] 举例而言，拨测时间信息包括拨测开始时间和拨测结束时间、第一位置信息为拨测城市的标识信息、拨测视频信息为拨测视频的标识信息、第一用户信息为拨测用户的号码、播放时间信息包括播放开始时间、播放结束时间、第二位置信息为播放城市的标识信息、播放视频信息为播放视频的标识信息、第二用户信息为播放视频用户的号码；若视频拨测数据样本中数据A的拨测开始时间与视频话单数据样本中数据B的播放开始时间的差值，以及数据A的拨测结束时间与数据B的播放结束时间的差值进行加和小于预设的时间差值，且数据A中拨测城市的标识信息与数据B中播放城市的标识信息一致，且数据A中拨测视频的标识信息与数据B中播放视频的标识信息一致，同时数据A中拨测用户的号码与数据B中播放视频用户的号码也一致，则数据B为与拨测数据样本中数据A关联的目标视频话单数据样本。
[0071] 步骤304，确定目标视频话单数据样本对应的视频播放关键性能指标数据样本。
[0072] 在本申请的一些实施例中，若本方案需要对每次视频播放进行感知质量预测，则目标视频话单数据样本中的每组数据对应视频播放关键性能指标数据样本中的一组数据；若本方案需要对某城市下某时间段内的视频感知质量进行预测，则需要对目标视频话单数据样本以城市维度对预设的时间粒度进行汇聚计算，得到视频播放关键性能指标数据样本。其中，视频播放关键性能指标数据样本中每组数据的构成与上述实施例中的视频播放关键性能指标数据一致，且汇聚计算过程也与上述实施例中的汇聚计算过程一致，此处不再赘述。
[0073] 步骤305，根据视频拨测数据样本，确定与其存在关联关系的视频播放关键性能指标数据样本所对应的视频感知质量分值标签。
[0074] 可以理解，视频播放关键性能指标数据样本中包括拨测过程中的视频播放特征数据，而视频拨测数据样本中拨测过程中视频的真实感知信息，所以可以基于视频拨测数据样本来确定对应的视频感知质量分值，并将得到的视频感知质量分值作为关联的视频播放关键性能指标数据样本的标签。
[0075] 作为一种示例，若视频拨测数据样本A与目标视频话单数据样本B是关联的，根据目标视频话单数据样本B可以确定视频播放关键性能指标数据样本B，根据视频拨测数据样本A中的首播时延和卡顿时长确定视频感知质量分值标签A，视频感知质量分值标签A为视频播放关键性能指标数据样本B的标签。
[0076] 作为另一种示例，若需要每隔5分钟，基于该5分种内的各城市的视频话单数据预测对应的视频感知分值，则需要对确定视频播放关键性能指标数据样本及其对应的视频感知质量分值标签时，均需要进行汇聚处理，即将目标视频话单数据以城市的维度，以5分钟时间颗粒度进行汇聚计算，得到视频播放关键性能指标数据样本；根据视频拨测数据样本，确定每组数据所对应的视频感知质量分值，再将视频感知质量分值按照城市的维度，以5分钟时间颗粒度进行汇聚计算，得到视频播放关键性能指标数据样本所对应的视频感知质量分值标签。
[0077] 作为一种可能的实现方式，可以基于视频拨测数据样本中的卡顿时长和播放时长，确定卡顿占比，根据卡顿占比和首播时延，基于预设的视频感知分值与卡顿占比和首播时延的对应关系，确定对应的视频感知分值标签。
[0078] 步骤306，基于视频播放关键性能指标数据样本及其对应的视频感知质量分值标签，确定训练样本。
[0079] 需要说明的是，在得到视频拨测数据样本关联的目标视频话单数据样本后，需要进行预处理过程，以将异常数据进行过滤，比如某目标视频话单数据样本异常，则将该目标视频话单数据样本以及关联的视频拨测数据样本剔除。
[0080] 根据本申请实施例的视频感知质量的预测方法，通过从视频话单数据中确定与视频拨测数据样本关联的目标视频话单数据样本，再确定目标视频话单数据样本对应的视频播放关键性能指标数据样本，根据视频拨测数据样本，确定与其存在关联关系的视频播放关键性能指标数据样本所对应的视频感知质量分值标签，基于视频播放关键性能指标数据样本及其对应的视频感知质量分值标签，确定训练样本，以使训练样本中既包括视频拨测过程中的真实感知信息，还包括播放过程中的特征信息，从而可以实现视频感知质量预测模型的构建，以对视频感知质量进行准确的预测。
[0081] 图4为本申请实施例中的一种确定视频感知质量分值标签的流程图。如图4所示，基于上述实施例，图3中的步骤305的实现过程可以包括：
[0082] 步骤401，确定视频拨测数据样本对应的首播时延感知分值和视频卡顿感知分值。
[0083] 其中，首播时延感知分值可以基于视频拨测数据样本中的首播时延来确定，比如可以设定首播时延与首播时延感知分值的对应关系，以根据首播时延的大小来确定对应的首播时延感知分值。视频卡顿感知分值可以基于视频拨测数据样本中的卡顿时长来确定，比如可以根据卡顿时长和播放时长，确定卡顿占比，再基于卡顿占比与视频卡顿感知分值的对应关系，确定视频卡顿感知分值。
[0084] 在本申请的一些实施例中，步骤401可以包括以下步骤：
[0085] 步骤401‑1，确定视频拨测数据样本中的首播时延、视频卡顿时长和视频播放时长。
[0086] 步骤401‑2，根据首播时延，确定首播时延感知分值。
[0087] 作为一种实现方式，可以根据视频拨测数据样本中的每组数据，确定每次视频拨测的首播时延，再根据预设的首播时延与首播时延感知分值之间的对应关系，确定每次视频拨测的首播时延感知分值。
[0088] 作为一种示例，可以根据下式(1)来根据首播时延，确定首播时延感知分值：
[0089]
[0090] 其中，x为首播时延；f(x)为首播时延感知分值；base1为首播时延基准值，可以预先设定；goal1为首播时延目标值，可以预先设定，比如首播时延基准值base1可以设定为2s，首播时延目标值goal1可以设定为0.1s。
[0091] 步骤401‑3，根据视频卡顿时长和视频播放时长，确定视频卡顿占比。
[0092] 比如，可以将每次视频拨测过程中的视频卡顿时长与视频播放时长的比值，确定为对应视频拨测过程中的视频卡顿占比。
[0093] 步骤401‑4，根据视频卡顿占比，确定视频卡顿感知分值。
[0094] 作为一种实现方式，可以根据视频拨测数据样本中的每组数据，确定每次视频拨测的视频卡顿占比，再根据预设的视频卡顿占比与视频卡顿感知分值之间的对应关系，确定每次视频拨测的视频卡顿感知分值。
[0095] 作为一种示例，可以根据下式(2)来根据视频卡顿占比，确定视频卡顿感知分值：
[0096]
[0097] 其中，y为视频卡顿占比；f(y)为视频卡顿感知分值；base2为视频卡顿基准值，可以预先设定；goal2为视频卡顿目标值，可以预先设定，比如视频卡顿基准值base可以设定为0.01，视频卡顿目标值goal可以设定为0.001。
[0098] 步骤402，根据首播时延感知分值和视频卡顿感知分值，确定视频感知质量分值标签。
[0099] 在本申请的一些实施例中，可以将每次视频拨测过程的首播时延感知分值和视频卡顿感知分值加权求和，得到每次视频拨测过程所对应的视频感知分值，再根据每次视频拨测过程的视频感知分值，确定与视频播放关键指标数据样本所对应的视频感知质量分值标签。
[0100] 需要说明的是，若需要每隔预设时长分钟，基于该时长内的各城市的视频话单数据预测对应的视频感知分值，则训练样本也需要进行相同纬度相同时间粒度的汇聚。比如，汇聚维度为城市，时间粒度为5分钟，则根据视频拨测数据样本，确定每次视频拨测所对应的首播时延感知分值和视频卡顿感知分值，以确定每次视频拨测所对应的视频感知质量分值，再将每5分钟内的视频拨测所对应的视频感知质量分值进行求平均计算，得到汇聚计算后的视频播放关键性能指标数据样本所对应的视频感知质量分值标签。
[0101] 为了实现上述实施例，本申请提供了一种视频感知质量的预测装置。
[0102] 图5为本申请实施例所提供的一种视频感知质量的预测装置的结构框图。如图5所示，该装置包括：
[0103] 获取模块510，用于获取视频播放过程所对应的视频话单数据；
[0104] 确定模块520，用于根据视频话单数据，确定视频播放关键性能指标数据；
[0105] 预测模块530，用于将视频播放关键性能指标数据输入至预设的视频感知质量预测模型，获得视频播放过程的视频感知质量预测分值；其中，视频感知质量预测模型已经学习得到视频播放关键性能指标数据与视频感知质量分值之间的映射关系。
[0106] 在本申请的一些实施例中，该装置还包括训练模块540，训练模块540包括：
[0107] 确定单元541，用于基于视频拨测数据样本和视频拨测数据样本所关联的目标视频话单数据样本，确定训练样本；
[0108] 训练单元542，用于基于训练样本对预测模型进行训练，得到视频感知质量预测模型。
[0109] 在本申请的一些实施例中，确定单元541具体用于：
[0110] 获取在视频拨测过程中生成的视频拨测数据样本；
[0111] 获取与视频拨测过程的时间点对应的视频话单数据样本；
[0112] 从视频话单数据样本中确定与视频拨测数据样本关联的目标视频话单数据样本；
[0113] 确定目标视频话单数据样本对应的视频播放关键性能指标数据样本；
[0114] 根据视频拨测数据样本，确定与其存在关联关系的视频播放关键性能指标数据样本所对应的视频感知质量分值标签；
[0115] 基于视频播放关键性能指标数据样本及其对应的视频感知质量分值标签，确定训练样本。
[0116] 作为一种可能的实现方式，确定单元541还用于：
[0117] 确定视频拨测数据样本中的拨测时间信息、第一位置信息、拨测视频信息和第一用户信息；
[0118] 确定视频话单数据样本中的播放时间信息、第二位置信息、播放视频信息和第二用户信息；
[0119] 根据拨测时间信息、第一位置信息、拨测视频信息、第一用户信息、播放时间信息、第二位置信息、播放视频信息和第二用户信息，从视频话单数据样本中确定与视频拨测数据样本关联的目标视频话单数据样本。
[0120] 在本申请的一些实施例中，确定单元541还用于：
[0121] 确定视频拨测数据样本对应的首播时延感知分值和视频卡顿感知分值；
[0122] 根据首播时延感知分值和视频卡顿感知分值，确定视频感知质量分值标签。
[0123] 作为一种可能的实现方式，确定单元541还用于：
[0124] 确定视频拨测数据样本中的首播时延、视频卡顿时长和视频播放时长；
[0125] 根据首播时延，确定首播时延感知分值；
[0126] 根据视频卡顿时长和视频播放时长，确定视频卡顿占比；
[0127] 根据视频卡顿占比，确定视频卡顿感知分值。
[0128] 作为一种示例，确定单元541还用于：
[0129] 根据首播时延感知分值和视频卡顿感知分值进行加权求和，得到视频感知质量分值标签。
[0130] 根据本申请实施例的视频感知质量的预测装置，通过获取视频播放过程所对应的视频话单数据，根据视频话单数据，确定视频播放关键性指标数据，并将视频播放关键性指标数据输入至已经学习得到视频播放关键性能指标数据与视频感知质量分值之间的映射关系的视频感知质量预测模型，获得视频播放过程的视频感知质量预测分值。本方案基于已学习到视频播放关键性能指标数据与视频感知质量分值之间的映射关系的视频感知质量预测模型，来实现视频感知质量分值的预测，不仅可以提升视频感知质量评估的准确性，也可以降低实现成本，同时也可以实现视频质量的实时监控。
[0131] 需要说明的是，前述对视频感知质量的预测方法实施例的解释说明也适用于该实施例的视频感知质量的预测装置，此处不再赘述。
[0132] 为了实现上述实施例，本申请提供了一种电子设备。
[0133] 图6为本申请实施例所提供的一种电子设备的结构框图。该电子设备可以为服务器、计算机等设备。如图6所示，该电子设备包括：
[0134] 存储器610及处理器620，连接不同组件(包括存储器610和处理器620)的总线630，存储器610存储有处理器620可执行指令；其中，处理器660被配置为执行所述指令，以实现本申请实施例所述的视频感知质量的预测方法。
[0135] 总线630表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
[0136] 电子设备600典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备600访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。存储器610还可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)640和/或高速缓存存储器650。电子设备600可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统660可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD‑ROM,DVD‑ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线630相连。存储器610可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
[0137] 具有一组(至少一个)程序模块670的程序/实用工具680，可以存储在例如存储器610中，这样的程序模块670包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块670通常执行本申请所描述的实施例中的功能和/或方法。
[0138] 电子设备600也可以与一个或多个外部设备690(例如键盘、指向设备、显示器691等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口696进行。并且，电子设备600还可以通过网络适配器693与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器693通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
[0139] 处理器660通过运行存储在存储器610中的程序，从而执行各种功能应用以及数据处理。
[0140] 需要说明的是，本实施例的电子设备的实施过程和技术原理参见前述对本申请实施例的视频感知质量的预测方法的解释说明，此处不再赘述。
[0141] 为了实现上述实施例，本申请还提出一种计算机存储介质。
[0142] 其中，该存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如前所述的视频感知质量的预测方法。可选的，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD‑ROM、磁带、软盘和光数据存储设备等。
[0143] 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申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0144] 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。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0145] 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
[0146] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0147] 应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
[0148] 本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0149] 此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0150] 尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
