A Proposed QoE Prediction in Video Streaming Using ITU-T Standards and Machine Learning Approaches
Notice bibliographique
Résumé
The Quality of Experience (QoE) has become a crucial research topic for network operators and video providers, since it directly measures customer satisfaction.Objective QoE Assessment outperforms subjective in cost and applicability.However, predicting the QoE remains a challenge due to the variety of its influencing factors.The P.1203 by the ITU-T has emerged as the first QoE standard in video streaming environments.This work aims to predict the next possible QoE degradation to avoid poor perceived quality.A low user interaction is simulated using Selenium to extract the ITU-T P.1203 video parameters.The obtained data, in addition to network data from a network prob, have been used to train Feed Forward Neural Network (FFNN) classifiers and several regression models.The QoE has been predicted using both classification and regression in three implementations, in addition to implementing feature selection for better feature space size and the prediction performance.The FFNN results have been evaluated using cross-validation accuracy, RMSE, and confusion matrices.Combining the ITU-T P.1203 standards with the advances of machine learning (ML) in this study provided high prediction accuracy levels that exceeded 88% and highlighted nine selected influencing factors that are highly impacting the delivery of video services.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».