[发明专利]视频卡顿预测方法、装置、计算机设备及存储介质

权利要求书

1.一种视频卡顿预测方法，其特征在于，包括：

获取目标视频在设定时刻的前一时间段内的流量特征，形成流量特征序列；

将所述流量特征序列输入到预先训练的卡顿预测模型中，得到所述目标视频在设定时刻的后一时间间隔内的卡顿预测结果，其中，所述时间段的时长大于等于所述时间间隔的时长。

2.根据权利要求1所述的方法，其特征在于，在将所述流量特征序列输入到预先训练的卡顿预测模型中之前，还包括：

获取采样视频至少一个所述时间间隔内的流量特征，以及在至少一个所述时间间隔的下一个时间间隔的卡顿评价结果；

根据各所述时间间隔内的卡顿评价结果，以及各所述时间间隔内的流量特征，生成训练样本；

根据多个所述训练样本，对神经网络模型进行训练，得到卡顿预测模型。

3.根据权利要求2所述的方法，其特征在于，所述根据各所述时间间隔内的卡顿评价结果，以及各所述时间间隔内的流量特征，生成训练样本，包括：

将目标时刻的后一所述时间间隔的卡顿评价结果，以及所述目标时刻的至少一个前一所述时间间隔的流量特征，生成训练样本。

4.根据权利要求2所述的方法，其特征在于，所述获取采样视频至少一个所述时间间隔内的流量特征，以及在至少一个所述时间间隔的下一个时间间隔的卡顿评价结果，包括：

获取按照时间间隔对采样视频进行截取形成的图像帧；

对每两个相邻图像帧进行比较，确定所述两个相邻图像帧的获取时刻关联的时间间隔匹配的卡顿评价结果；

获取所述采样视频的抓包数据，并进行解析，得到流量特征，所述抓包数据包括pcap包数据；

将所述抓包数据中首个获取请求的获取视频数据的时刻关联的时间间隔作为所述流量特征匹配的时间间隔。

5.根据权利要求2所述的方法，其特征在于，所述神经网络模型为卷积神经网络和循环神经网络融合的神经网络模型。

6.根据权利要求1所述的方法，其特征在于，所述目标视频为实时播放的视频，所述设定时刻为当前系统时刻。

7.根据权利要求1所述的方法，其特征在于，所述流量特征包括下述至少一项：每秒字节数、上行每秒字节数、下行每秒字节数、每秒数据包数、上行每秒数据包数、下行每秒数据包数、每秒抖动字节数、上行每秒抖动字节数、下行每秒抖动字节数、每秒抖动包数、上行每秒抖动包数、下行每秒抖动包数、每秒最大字节数、上行每秒最大字节数、下行每秒最大字节数、每秒最大包数、上行每秒最大包数、下行每秒最大包数、每秒最小包数、上行每秒最小包数、下行每秒最小包数、每秒包间延时总和、每秒包间平均延时、每秒上行包间延时总和、每秒上行平均包间延时、每秒下行包间延时总和、每秒下行平均包间延时、码率和视频分辨率。

8.一种视频卡顿预测装置，其特征在于，包括：

流量特征序列生成模块，用于获取目标视频在设定时刻的前一时间段内的流量特征，形成流量特征序列；

视频卡顿预测模块，用于将所述流量特征序列输入到预先训练的卡顿预测模型中，得到所述目标视频在设定时刻的后一时间间隔内的卡顿预测结果，其中，所述时间段的时长大于等于所述时间间隔的时长。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的视频卡顿预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的视频卡顿预测方法。