[发明专利]一种移动视频卡顿预测模型训练方法及预测方法

权利要求书

1.一种移动视频卡顿预测模型训练方法，所述模型包括LSTM网络，其中在LSTM网络中引入随机失活函数层，其特征在于，所述方法包括：

S1、获取已知卡顿情况的具有时序性的多个历史移动视频数据组成数据集，其中，每个历史移动视频数据对应于一个时间节点，所述已知卡顿情况是指已知历史移动视频数据中发生卡顿的时间节点；

S2、采用步骤S1中获得数据集将所述初始模型按照如下方式训练至收敛：

S21、将数据集划分为训练集和测试集；

S22、将从历史移动视频数据中获得的训练集中的数据根据自相关性分为多个训练单元；

S23、分别采用每个训练单元训练模型至模型预测准确度大于或等于预设准确度阈值或训练达到预设的迭代次数以得到多个单元模型，其中，在用训练单元对LSTM网络进行训练时，利用dropout函数进行修正权重更新；

S24、以每个单元模型在测试集上的预测准确度在所有预测准确之和中的占比为其对应权重，将所有单元模型合并以获得最终移动视频卡顿预测模型。

2.根据权利要求1所述的方法，其特征在于，在所述步骤S21中，对获取到的历史移动视频数据进行标准化预处理以使数据满足高斯分布并剔除无用数据后将时间序列上的节点数据划分为训练集和测试集。

3.根据权利要求2所述的方法，其特征在于，所述步骤S2还包括：

S25、采用测试集测试最终移动视频卡顿预测模型的预测准确度，并在其预测准确度小于预设准确度阈值时进行如下操作：

S251、随机选择一个训练单元将最终移动视频卡顿预测模型训练至预测准确度大于或等于预设准确度阈值或训练达到预设的迭代次数；

S252、以步长为1，依次添加一个未参与上一次训练的训练单元与当前所有训练单元合并后用于将上一次训练后的最终移动视频卡顿预测模型训练至预测准确度大于或等于预设准确度阈值或训练达到预设的迭代次数。

4.根据权利要求3所述的方法，其特征在于，所述步骤S2还包括：

S26、对最终移动视频卡顿预测模型进行预测结果校正，通过调整模型参数以将与前后连续两个或两个以上的时间节点的预测结果与不一致的点的预测结果校正为与前后连续两个或两个以上的时间点的预测结果。

5.根据权利要求3所述的方法，其特征在于，在所述步骤S21中，对获取到的历史移动视频数据进行如下处理：

采用离差标准化，对原始历史移动视频数据进行线性变化以实现对原始数据的标准化和归一化。

6.根据权利要求3所述的方法，其特征在于，在所述步骤S22中采用如下方式计算训练集中每一个移动视频数据的自相关性并将自相关函数值大于0.2的数据划分到同一个单元:

其中，R(x_i，x_i+h)表示x_i和x_i+h的自相关函数，h表示两个时刻数据的时间间隔，x_i表示第i个时间节点的数据，u₁表示前一组数据的均值，u₂表示与前一组数据时间上相隔h的数据的均值，n表示当前计算的自相关数据量。

7.根据权利要求3所述的方法，其特征在于，所述预设准确度阈值为80％。

8.根据权利要求3所述的方法，其特征在于，所述预设轮数为1000。

9.一种基于移动视频卡顿预测的资源分配方法，其特征在于，所述方法包括：

P1、采用如权利要求1-8任一所述方法训练的模型预测移动视频发生卡顿的时间节点；

P2、基于步骤P1中获得的移动视频发生卡顿的时间节点，为该节点分配资源，以使得移动视频不发生卡顿。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序可被处理器执行以实现权利要求1-8、9任一所述方法的步骤。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1-8、9任一项所述方法的步骤。