基于机器学习的 5G 视频流媒体质量变化预测
多媒体
2025-08-26 v4 机器学习
摘要
用户在使用 YouTube 等超大型点播平台观看视频期间的满意度即为用户体验 (QoE)。YouTube 的 QoE 反映为无缓冲和质量切换事件的流畅观看体验。当今最重要影响 QoE 的因素之一是频繁发生从更高分辨率到更低分辨率以及反之移动的切换。这些切换确保了流畅的观看体验；然而，它可能会降低平均满意度评分。例如，在视频中从 1080p 降至 480p 期间，虽能保持连续性，但可能会降低观众的享受度。随着 OTT 平台不断寻找替代方法来提升用户体验，而不再依赖于传统的质量服务 (QoS) 指标，如带宽、延迟和吞吐量。因此，我们研究了 YouTube 流媒体会话中的质量切换与信道指标 RSRP、RSRQ 和 SNR 之间的关系。我们的发现表明，这些信道指标与切换事件呈正相关。因此，在实时情况下，OTT 只能依赖这些指标来预测视频流媒体会话进入更低或更高分辨率类别，从而为改善用户体验提供更多资源。使用传统机器学习 (ML) 分类器，我们实现了 77% 的准确率，而仅使用 RSRP、RSRQ 和 SNR。在 5G 及以上网络时代，虽然超可靠低时延网络承诺增强的流媒体能力，但本文提出的方法可用于改善 OTT 服务。
引用
@article{arxiv.2504.17938,
title = {Machine Learning-Based Prediction of Quality Shifts on Video Streaming Over 5G},
author = {Raza Ul Mustafa and Sesha Dassanayake and Noman Ashraf},
journal= {arXiv preprint arXiv:2504.17938},
year = {2025}
}
备注
We are trying to improve the paper with better results. There are some inconsistencies with the current version