个性化 QoE 预测：面向 5G 视频传输网络的基于人口统计学增强的机器学习框架
人工智能
2025-12-16 v1 多媒体
图像与视频处理
摘要
质量体验 (QoE) 预测是现代多媒体系统的关键组件，尤其适用于 5G 网络中的自适应视频传输。准确的 QoE 估计能够实现智能资源管理，支持以用户为中心的服务交付。现有的 QoE 预测方法主要依赖有限数据集，并假设用户感知均匀，这限制了其在异构真实环境中的适用性。本文提出了一个具有人口统计学感知能力的机器学习框架，用于个性化 QoE 预测。我们引入一种基于人口统计学的行为真实数据增强策略，通过建模用户对传输瑕疵（如重缓冲、码率波动和画质下降）的不同敏感性，将小型 QoE 数据集扩展六倍。利用增强后的数据集，我们评估了一套经典机器学习模型以及先进的深度学习架构，包括基于注意力机制的 MLP 和 TabNet。实验结果表明，与基线模型相比，本文的方法在 RMSE、MAE 和 R 指标上显著提升了预测精度。在所有评估方法中，TabNet achieves 最佳性能，得益于其内在的特征选择和注意力机制。结果确认，人口统计学感知的增强显著提升了 QoE 预测的鲁棒性，并为 5G 视频传输网络中的个性化 QoE 感知智能提供了可扩展的方向。
引用
@article{arxiv.2512.12736,
title = {Personalized QoE Prediction: A Demographic-Augmented Machine Learning Framework for 5G Video Streaming Networks},
author = {Syeda Zunaira Ahmed and Hejab Tahira Beg and Maryam Khalid},
journal= {arXiv preprint arXiv:2512.12736},
year = {2025}
}
备注
11 pages, 5 figures