[发明专利]视频卡顿模型训练方法、预测方法、服务器及存储介质

权利要求书

1.一种视频卡顿模型训练方法，其特征在于，该方法包括：

采集用户的视频码流数据，并记录卡顿时间区间；

对视频数据计算下载速率序列，并标注播放状态标签；

将下载速率序列按预设的时间单位进行分割为区间，将每个区间作为一个单独样本计算速率波形特征；

利用机器学习分类法对计算出的速率波形特征进行训练，得到视频卡顿模型。

2.根据权利要求1所述的视频卡顿模型训练方法，其特征在于，所述将每个区间作为一个样本计算速率波形特征，具体包括：计算每个区间内下载速率序列的分位数比值、变异系数、峰度系数和编码均值。

3.根据权利要求2所述的视频卡顿模型训练方法，其特征在于，计算每个区间内下载速率序列的分位数比值、变异系数和编码均值，具体包括按以下方式计算：

设q25为下载速率序列q的0.25分位数，q50为0.5位数，q75为0.75分位数，如果q50-q25等于0，那么分位数比值等于5000，否则分位数比值＝1.0*(q75-q50)/(q50-q25)，其中，q表示下载速率序列；

变异系数＝下载速率序列q的标准差/下载速率序列q的平均值；

编码均值＝速率量化编码后的均值。

4.根据权利要求1所述的视频卡顿模型训练方法，其特征在于，利用机器学习分类法对所述计算出的速率波形特征进行训练，得到视频卡顿模型，具体包括：

选取样本总量第一比例的数据作为机器学习的训练集，使用分类方法进行训练，得到视频卡顿模型；

使用样本总量第二比例的数据作为测试集，验证所述视频卡顿模型的效果。

5.根据权利要求1-4任意一项权利要求所述的视频卡顿模型训练方法，其特征在于，所述预设的时间单位包括：10-40秒中的任一值，所述机器学习分类法包括：梯度提成分类法以及支持向量机分类法。

6.一种视频卡顿预测方法，其特征在于，该方法包括：

采集用户的视频数据，计算下载速率序列；

将下载速率序列按预设的时间单位进行分割为区间，计算每个区间的速率波形特征；

根据预训练的视频卡顿模型，对所述每个区间的速率波形特征计算结果进行分类，得到每个区间的播放状态。

7.根据权利要求6所述的视频卡顿预测方法，其特征在于，所述计算每个区间的速率波形特征，具体包括：计算每个区间内计算每个区间内下载速率序列的的分位数比值、变异系数、峰度系数和编码均值。

8.根据权利要求6所述的视频卡顿预测方法，其特征在于，计算每个区间内下载速率序列的分位数比值、变异系数和编码均值，具体包括按以下方式计算：

设q25为下载速率序列q的0.25分位数，q50为0.5位数，q75为0.75分位数，如果q50-q25等于0，那么分位数比值等于5000，否则分位数比值＝1.0*(q75-q50)/(q50-q25)，其中，q表示下载速率序列；

变异系数＝下载速率序列q的标准差/下载速率序列q的平均值；

编码均值＝速率量化编码后的均值。

9.一种服务器，该服务器包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特在于，该所述计算机程序被所述处理器执行时，

实现如权利要求1-5所述的视频卡顿模型训练方法的步骤，

和/或实现如权利要求6-8所述的视频卡顿预测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，

实现如权利要求1-5所述的视频卡顿模型训练方法的步骤，

和/或实现如权利要求6-8所述的视频卡顿预测方法的步骤。