| 主权项 |
IPTV视频业务中用户满意度的智能化预测方法，其特征在于，所述方法包括如下步骤：步骤1：确定影响用户满意度的因素：从IPTV机顶盒收集的视频业务的关键性能指标KPI原始记录中，挑选固定时间长度的KPI数据，每条KPI数据中包含6个属性：设备传输时延df、设备传输抖动jit、设备丢包率lp、平均传输比特率br、业务开始时间、业务结束时间；该时间长度内各个用户的所有KPI数据的前4个属性{df,jit,lp,br}的平均值作为影响用户满意度的因素<img file="FDA0001129002360000011.GIF" wi="243" he="62" />其中x<sub>n</sub>＝(x<sub>n,df</sub>,x<sub>n,jit</sub>,x<sub>n,lp</sub>,x<sub>n,br</sub>)；步骤2：确定用户满意度的客观度量：将每个用户固定时间长度内的每个KPI数据中的结束时间减去开始时间，并将其累加，得到用户在该固定时间长度内使用业务的时长，即，<img file="FDA0001129002360000012.GIF" wi="251" he="63" />步骤3：建立分类回归CART树模型及训练：(3‑1)将(X,Y)作为训练数据，对于X中的某个属性j(j∈{df,jit,lp,br})，用其作为切分变量；对于该切分变量j，选择切分点s，将X划分成两个区域：R<sub>1</sub>(j,s)＝{x<sub>n</sub>|x<sub>n,j</sub>≤s}和R<sub>2</sub>(j,s)＝{x<sub>n</sub>|x<sub>n,j</sub>＞s}(3‑2)分别求两个区域中的x<sub>n</sub>对应的y<sub>n</sub>的均值c<sub>1</sub>和c<sub>2</sub>，即<img file="FDA0001129002360000013.GIF" wi="413" he="135" /><img file="FDA0001129002360000014.GIF" wi="420" he="135" />其中N<sub>1</sub>和N<sub>2</sub>分别为两个区域中的数据数目；(3‑3)计算平方误差：<img file="FDA0001129002360000015.GIF" wi="1062" he="111" />(3‑4)遍历所有的j和s，选择使得平方误差最小的最优值j*和s*作为分类回归树第一层切分变量和切分点，即，(j*,s*)＝argminError(j,s)；用最终选定的(j*,s*)划分出子区域R<sub>1</sub>(j*,s*)，R<sub>2</sub>(j*,s*)，保存落在每个子区域中的训练数据D<sub>1</sub>,D<sub>2</sub>，如下：R<sub>1</sub>(j*,s*)＝{x<sub>n</sub>|x<sub>n,j*</sub>≤s*}，R<sub>2</sub>(j*,s*)＝{x<sub>n</sub>|x<sub>n,j*</sub>＞s*}D<sub>1</sub>＝{(x<sub>n</sub>,y<sub>n</sub>)|x<sub>n</sub>∈R<sub>1</sub>(j*,s*)}，D<sub>2</sub>＝{(x<sub>n</sub>,y<sub>n</sub>)|x<sub>n</sub>∈R<sub>2</sub>(j*,s*)}(3‑5)对已划分好的两个子区域，考虑剩余的属性，调用(3‑1)～(3‑4)的步骤，继续对每个子区域进行进一步划分，并对划分好的二级、三级子区域中的训练数据进行存储，直至满足停止条件；这里的停止条件为所有的4个属性已经全部被遍历或者在子区域生成过程中计算出的Error(j,s)的最小值低于阈值ε；通过本步骤，最终生成CART树；步骤4：预测用户满意度：(4‑1)对于待预测用户满意度的数据x'，按照所生成的CART树的结构，自上而下，将其分配到相应的叶节点所在的区域，设该区域为D'；(4‑2)对于x'，在D'中做KNN搜索，基于欧氏距离找到其中的K个近邻数据<img file="FDA0001129002360000021.GIF" wi="163" he="70" />计算距离加权平均值，用该均值作为最终的预测值输出y'，即：<img file="FDA0001129002360000022.GIF" wi="333" he="175" />其中<img file="FDA0001129002360000023.GIF" wi="360" he="124" />上式中d(x',x<sub>k</sub>)为x'与其邻居节点x<sub>k</sub>的欧氏距离。 |
