手機視頻體驗評估及建網方法研究

（中國移動通信集團四川有限公司，成都 610041）

手機視頻體驗評估及建網方法研究

廖露華

（中國移動通信集團四川有限公司，成都 610041）

視頻業(yè)務逐漸成為繼語音業(yè)務之后的基礎業(yè)務，本文基于U-vMOS評價體系，研究手機視頻感知質量及體驗評估，基于路測和SEQ數據，通過建模研究手機視頻體驗建網方法。

手機視頻；U-vMOS；相關分析；隨機森林

1 前言

隨著多媒體技術和通信技術發(fā)展，人們在互聯(lián)網應用中對視頻業(yè)務的需求明顯提升，視頻業(yè)務高清化、移動化趨勢日益明顯，視頻業(yè)務逐漸成為運營商的基礎業(yè)務。思科預測到2020年全球移動流量比目前增長10倍，視頻流量占互聯(lián)網流量75%以上[1]。如此巨大的流量需求，將給通信網絡帶來前所未有的挑戰(zhàn)，視頻業(yè)務體驗將成為影響用戶口碑的重要指標。

終端產業(yè)鏈不斷成熟，2 K智能終端開始涌現，YouTube已支持2 K高清視頻，OTT提供的視頻質量越來越高，用戶體驗成為業(yè)務競爭的關鍵。市場調查顯示：69%的用戶不愿意等待時長超過15 s，93.4%的用戶難以忍受3次以上卡頓，用戶體驗良好通常是3 s以內打開視頻，且播放無卡頓。2015年起韓國LGU+通過打造優(yōu)質視頻網絡，明顯驅動業(yè)務發(fā)展和收入增長。與LGU+對標發(fā)現，當前四川移動視頻流量占比較低，但56%的視頻用戶貢獻了92%的數據流量，高端手機滲透率不斷提升，因此發(fā)展視頻業(yè)務潛力巨大。

手機視頻體驗建網是全新挑戰(zhàn)，視頻體驗涉及端到端系統(tǒng)，涵蓋視頻內容源質量及傳送承載性能，準確洞察手機視頻體驗是難點。同時，網絡建設如何滿足視頻體驗無先例可依，本文將重點研究評估和分析視頻業(yè)務對網絡影響，并研究視頻體驗指標與網絡規(guī)劃要素的關系。

2 手機視頻質量影響因素

手機視頻業(yè)務體驗主要涉及兩大方面。一方面是視頻內容源本身的質量，例如內容源分辨率方面，目前手機視頻以360 P、480 P為主，同時存在720 P、1080 P高清視頻。預計2017年部分OTT為用戶提供2 K視頻業(yè)務，2018-2020年4 K、8 K甚至VR/AR業(yè)務將逐漸進入人們生活。另一方面是視頻業(yè)務在各傳送節(jié)點上的承載性能，對于手機移動視頻，它可能涉及無線、傳輸回傳、核心網、CMNet網絡。因此視頻源的碼率、分辨率、編碼算法等因素以及傳送節(jié)點上帶寬、抖動、時延等因素，都會引起視頻質量的變化。

3 基于U-vMOS的評估規(guī)劃方法

U-vMOS即視頻體驗衡量體系評價標準[2]，類似于語音感知MOS，采用5分制評判，綜合評分由視頻片源質量、視頻初始緩沖時長和視頻卡頓3項分值決定。例如當視頻分辨率大于4 K、初緩時延在100 ms以內、卡頓率為0時，可獲得最高5分。U-vMOS分值可以衡量用戶的視頻業(yè)務使用感知，但并不能直接用于面向手機視頻網絡評估及規(guī)劃，因此需要分析并給出U-vMOS到網絡規(guī)劃要素的映射關系或者模型。從而明確如何增加帶寬，改善網絡時延、分組丟失率，提供QoS，端到端保障等多方面的通信網絡能力。

鑒于U-vMOS得分同時受到多種因素影響，本文采用基于決策樹的隨機森林算法[3]，進行U-vMOS手機視頻預測建模，步驟如圖1所示。

圖1 U-vMOS建模

首先，進行數據處理。對輸入的視頻話單訓練樣本進行無效數據清洗和誤差校正，對異常值、離群點進行數據清洗，減少噪聲數據對模型精度的影響。在本研究中分別使用了路測數據和SEQ數據。

接著，開展特征抽取與相關性分析。針對影響U-vMOS的特征因子進行特征抽取，獲得實際規(guī)劃要素。選取映射建模特征因子的過程中，需要兼顧特征因子獲取的難易性。在特征抽取前對特征的相關性進行分析。通過相關性排序，獲取特征初始集合。抽取出視頻碼率、RTT、RSRP、SINR、CQI、PRB、頻譜帶寬、激活用戶數等特征，使用這8個特征要素建模，獲得的映射模型具有好的精度和泛化能力。

然后，進行模型學習與回歸驗證。采用基于決策樹的隨機森林算法做U-vMOS映射模型訓練。根據訓練后的精度驗證結果做回歸驗證，調整算法參數，直到獲得最終可用的U-vMOS映射模型。

基于U-vMOS視頻體驗標準通過機器學習建模，采用基于決策樹的隨機森林算法，形成網絡8要素與U-vMOS的映射模型。實測數據與建模數據精確度達90%。

4 網絡規(guī)劃

基于U-vMOS標準識別出網絡端到端時延和下載帶寬是影響手機視頻用戶體驗的主要因素，如圖2所示，橫軸為端到端時延，縱軸為帶寬。通過曲線擬合，找到下載帶寬與RSRP、SINR指標的對應關系，如圖3所示。可以針對不同U-vMOS值、不同網絡RTT要求，輸出視頻體驗建網標準，為網絡規(guī)劃設計提供依據。

采用基于U-vMOS手機視頻評估及建網方案，獲得成都網絡能力菱形基線數據如表1所示。結合視頻體驗評估和預測，對成都12和14網絡開展精品視頻網規(guī)劃和建設，通過宏微結合補充建站提升網絡覆蓋，開啟空口優(yōu)化降低干擾，部署載波聚合提升容量及速率，U-vMOS值由3.15提升至3.8，提升比例達20.6%，時延降低48.6%。

圖2 網絡規(guī)劃菱形基線

表1 網絡能力菱形基線數據

圖3 下載帶寬與網絡覆蓋指標

5 結束語

本文提出一種基于U-vMOS的手機視頻體驗評估及建網方法，識別現網中影響U-vMOS的主要因素。本文提出的方法可以針對視頻業(yè)務進行優(yōu)化和規(guī)劃，可用于實際的生產活動中為未來基于視頻體驗建網提供方法論。本文基于LTE手機視頻業(yè)務評價指標，采用話統(tǒng)、KQI等多維數據，研究視頻感知質量方法、以及手機視頻感知建網預測和評估方案。

[1] Cisco VNI. Global Mobile Data Traffic Forecast Update[R]. http：// www.cisco.com/c/en/us/solutions/collateral/service-provider/ visual-networking-index-vni/mobile-white-paper-c11-520862.pdf，2016(2).

[2] 劉艷麗. 隨機森林綜述[D]. 天津：南開大學，2010.

Research of a method for network plan according to the mobile video evaluation

LIAO Lu-hua
(China Mobile Group Sichuan Co.,Ltd., Chengdu 610041, China)

Mobile video service has rapidly emerged as the dominant source of data traffic on mobile networks after voice service. Base on the characters of mobile video, this article provide a method which use a large number of date such as DT, SEQ to predict and evaluate the video experience and quality. The method and guidance for network plan according to the video evaluation is also provided.

mobile video; U-vMOS; correlation analysis; random forest

TN929.5

A

1008-5599（2017）03-0044-03

2016-08-18