（中国移动通信集团四川有限公司，成都 610041）

手机视频体验评估及建网方法研究

廖露华

（中国移动通信集团四川有限公司，成都 610041）

视频业务逐渐成为继语音业务之后的基础业务，本文基于U-vMOS评价体系，研究手机视频感知质量及体验评估，基于路测和SEQ数据，通过建模研究手机视频体验建网方法。

手机视频；U-vMOS；相关分析；随机森林

1 前言

随着多媒体技术和通信技术发展，人们在互联网应用中对视频业务的需求明显提升，视频业务高清化、移动化趋势日益明显，视频业务逐渐成为运营商的基础业务。思科预测到2020年全球移动流量比目前增长10倍，视频流量占互联网流量75%以上[1]。如此巨大的流量需求，将给通信网络带来前所未有的挑战，视频业务体验将成为影响用户口碑的重要指标。

终端产业链不断成熟，2 K智能终端开始涌现，YouTube已支持2 K高清视频，OTT提供的视频质量越来越高，用户体验成为业务竞争的关键。市场调查显示：69%的用户不愿意等待时长超过15 s，93.4%的用户难以忍受3次以上卡顿，用户体验良好通常是3 s以内打开视频，且播放无卡顿。2015年起韩国LGU+通过打造优质视频网络，明显驱动业务发展和收入增长。与LGU+对标发现，当前四川移动视频流量占比较低，但56%的视频用户贡献了92%的数据流量，高端手机渗透率不断提升，因此发展视频业务潜力巨大。

手机视频体验建网是全新挑战，视频体验涉及端到端系统，涵盖视频内容源质量及传送承载性能，准确洞察手机视频体验是难点。同时，网络建设如何满足视频体验无先例可依，本文将重点研究评估和分析视频业务对网络影响，并研究视频体验指标与网络规划要素的关系。

2 手机视频质量影响因素

手机视频业务体验主要涉及两大方面。一方面是视频内容源本身的质量，例如内容源分辨率方面，目前手机视频以360 P、480 P为主，同时存在720 P、1080 P高清视频。预计2017年部分OTT为用户提供2 K视频业务，2018-2020年4 K、8 K甚至VR/AR业务将逐渐进入人们生活。另一方面是视频业务在各传送节点上的承载性能，对于手机移动视频，它可能涉及无线、传输回传、核心网、CMNet网络。因此视频源的码率、分辨率、编码算法等因素以及传送节点上带宽、抖动、时延等因素，都会引起视频质量的变化。

3 基于U-vMOS的评估规划方法

U-vMOS即视频体验衡量体系评价标准[2]，类似于语音感知MOS，采用5分制评判，综合评分由视频片源质量、视频初始缓冲时长和视频卡顿3项分值决定。例如当视频分辨率大于4 K、初缓时延在100 ms以内、卡顿率为0时，可获得最高5分。U-vMOS分值可以衡量用户的视频业务使用感知，但并不能直接用于面向手机视频网络评估及规划，因此需要分析并给出U-vMOS到网络规划要素的映射关系或者模型。从而明确如何增加带宽，改善网络时延、分组丢失率，提供QoS，端到端保障等多方面的通信网络能力。

鉴于U-vMOS得分同时受到多种因素影响，本文采用基于决策树的随机森林算法[3]，进行U-vMOS手机视频预测建模，步骤如图1所示。

图1 U-vMOS建模

首先，进行数据处理。对输入的视频话单训练样本进行无效数据清洗和误差校正，对异常值、离群点进行数据清洗，减少噪声数据对模型精度的影响。在本研究中分别使用了路测数据和SEQ数据。

接着，开展特征抽取与相关性分析。针对影响U-vMOS的特征因子进行特征抽取，获得实际规划要素。选取映射建模特征因子的过程中，需要兼顾特征因子获取的难易性。在特征抽取前对特征的相关性进行分析。通过相关性排序，获取特征初始集合。抽取出视频码率、RTT、RSRP、SINR、CQI、PRB、频谱带宽、激活用户数等特征，使用这8个特征要素建模，获得的映射模型具有好的精度和泛化能力。

然后，进行模型学习与回归验证。采用基于决策树的随机森林算法做U-vMOS映射模型训练。根据训练后的精度验证结果做回归验证，调整算法参数，直到获得最终可用的U-vMOS映射模型。

基于U-vMOS视频体验标准通过机器学习建模，采用基于决策树的随机森林算法，形成网络8要素与U-vMOS的映射模型。实测数据与建模数据精确度达90%。

4 网络规划

基于U-vMOS标准识别出网络端到端时延和下载带宽是影响手机视频用户体验的主要因素，如图2所示，横轴为端到端时延，纵轴为带宽。通过曲线拟合，找到下载带宽与RSRP、SINR指标的对应关系，如图3所示。可以针对不同U-vMOS值、不同网络RTT要求，输出视频体验建网标准，为网络规划设计提供依据。

采用基于U-vMOS手机视频评估及建网方案，获得成都网络能力菱形基线数据如表1所示。结合视频体验评估和预测，对成都12和14网络开展精品视频网规划和建设，通过宏微结合补充建站提升网络覆盖，开启空口优化降低干扰，部署载波聚合提升容量及速率，U-vMOS值由3.15提升至3.8，提升比例达20.6%，时延降低48.6%。

图2 网络规划菱形基线

表1 网络能力菱形基线数据

图3 下载带宽与网络覆盖指标

5 结束语

本文提出一种基于U-vMOS的手机视频体验评估及建网方法，识别现网中影响U-vMOS的主要因素。本文提出的方法可以针对视频业务进行优化和规划，可用于实际的生产活动中为未来基于视频体验建网提供方法论。本文基于LTE手机视频业务评价指标，采用话统、KQI等多维数据，研究视频感知质量方法、以及手机视频感知建网预测和评估方案。

[1] Cisco VNI. Global Mobile Data Traffic Forecast Update[R]. http：// www.cisco.com/c/en/us/solutions/collateral/service-provider/ visual-networking-index-vni/mobile-white-paper-c11-520862.pdf，2016(2).

[2] 刘艳丽. 随机森林综述[D]. 天津：南开大学，2010.

Research of a method for network plan according to the mobile video evaluation

LIAO Lu-hua
(China Mobile Group Sichuan Co.,Ltd., Chengdu 610041, China)

Mobile video service has rapidly emerged as the dominant source of data traffic on mobile networks after voice service. Base on the characters of mobile video, this article provide a method which use a large number of date such as DT, SEQ to predict and evaluate the video experience and quality. The method and guidance for network plan according to the video evaluation is also provided.

mobile video; U-vMOS; correlation analysis; random forest

TN929.5

A

1008-5599（2017）03-0044-03

2016-08-18