Due to the rate adaptation in hypertext transfer protocol adaptive streaming, the video quality delivered to the client keeps varying with time depending on the end-to-end network conditions. Moreover, the varying network conditions could also lead to the video client running out of the playback content resulting in rebuffering events. These factors affect the user satisfaction and cause degradation of the user quality of experience (QoE). Hence, it is important to quantify the perceptual QoE of the streaming video users and to monitor the same in a continuous manner so that the QoE degradation can be minimized. However, the continuous evaluation of QoE is challenging as it is determined by complex dynamic interactions among the QoE influencing factors. Toward this end, we present long short-term memory (LSTM)-QoE, a recurrent neural network-based QoE prediction model using an LSTM network. The LSTM-QoE is a network of cascaded LSTM blocks to capture the nonlinearities and the complex temporal dependencies involved in the time-varying QoE. Based on an evaluation over several publicly available continuous QoE datasets, we demonstrate that the LSTM-QoE has the capability to model the QoE dynamics effectively. We compare the proposed model with the state-of-the-art QoE prediction models and show that it provides an excellent performance across these datasets. Furthermore, we discuss the state space perspective for the LSTM-QoE and show the efficacy of the state space modeling approaches for the QoE prediction.

中文翻译：

---

流视频 QoE 建模和预测：一种长期短期记忆方法

由于超文本传输​​协议自适应流中的速率自适应，交付给客户端的视频质量会随着时间的推移而变化，这取决于端到端的网络状况。此外，不断变化的网络条件还可能导致视频客户端耗尽播放内容，从而导致重新缓冲事件。这些因素会影响用户满意度并导致用户体验质量 (QoE) 的下降。因此，重要的是量化流视频用户的感知 QoE 并以连续方式对其进行监控，以便将 QoE 降级降至最低。然而，QoE 的连续评估具有挑战性，因为它是由 QoE 影响因素之间复杂的动态相互作用决定的。为此，我们提出了长短期记忆 (LSTM)-QoE，使用 LSTM 网络的基于循环神经网络的 QoE 预测模型。LSTM-QoE 是一个级联 LSTM 块网络，用于捕捉随时间变化的 QoE 所涉及的非线性和复杂的时间依赖性。基于对几个公开可用的连续 QoE 数据集的评估，我们证明 LSTM-QoE 具有有效建模 QoE 动态的能力。我们将提出的模型与最先进的 QoE 预测模型进行比较，并表明它在这些数据集上提供了出色的性能。此外，我们讨论了 LSTM-QoE 的状态空间视角，并展示了状态空间建模方法对 QoE 预测的有效性。LSTM-QoE 是一个级联 LSTM 块网络，用于捕捉随时间变化的 QoE 所涉及的非线性和复杂的时间依赖性。基于对几个公开可用的连续 QoE 数据集的评估，我们证明 LSTM-QoE 具有有效建模 QoE 动态的能力。我们将提出的模型与最先进的 QoE 预测模型进行比较，并表明它在这些数据集上提供了出色的性能。此外，我们讨论了 LSTM-QoE 的状态空间视角，并展示了状态空间建模方法对 QoE 预测的有效性。LSTM-QoE 是一个级联 LSTM 模块网络，用于捕捉随时间变化的 QoE 中涉及的非线性和复杂的时间依赖性。基于对几个公开可用的连续 QoE 数据集的评估，我们证明 LSTM-QoE 具有有效建模 QoE 动态的能力。我们将提出的模型与最先进的 QoE 预测模型进行比较，并表明它在这些数据集上提供了出色的性能。此外，我们讨论了 LSTM-QoE 的状态空间视角，并展示了状态空间建模方法对 QoE 预测的有效性。我们将提出的模型与最先进的 QoE 预测模型进行比较，并表明它在这些数据集上提供了出色的性能。此外，我们讨论了 LSTM-QoE 的状态空间视角，并展示了状态空间建模方法对 QoE 预测的有效性。我们将提出的模型与最先进的 QoE 预测模型进行比较，并表明它在这些数据集上提供了出色的性能。此外，我们讨论了 LSTM-QoE 的状态空间视角，并展示了状态空间建模方法对 QoE 预测的有效性。