論文の概要: A new approach for predicting the Quality of Experience in multimedia services using machine learning
- arxiv url: http://arxiv.org/abs/2406.08564v1
- Date: Wed, 12 Jun 2024 18:07:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-14 22:27:16.693735
- Title: A new approach for predicting the Quality of Experience in multimedia services using machine learning
- Title（参考訳）: 機械学習を用いたマルチメディアサービスにおける体験の質予測のための新しいアプローチ
- Authors: Parsa Hassani Shariat Panahi, Amir Hossein Jalilvand, Abolfazl Diyanat,
- Abstract要約: サービス品質(QoS)は、競争力のある市場でサービス提供者にとって基本的な必要性となっている。
QoE(Quality of Experience)の概念は、テレフォニーネットワークの発展とともに生まれた。
近年の研究では、機械学習とディープラーニング技術を利用してQoEを予測する傾向が示されている。
本研究は,ITU-T P.1203標準に準拠したマルチメディアサービスにおけるQoE評価のための包括的フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.18749305679160366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In today's world, the Internet is recognized as one of the essentials of human life, playing a significant role in communications, business, and lifestyle. The quality of internet services can have widespread negative impacts on individual and social levels. Consequently, Quality of Service (QoS) has become a fundamental necessity for service providers in a competitive market aiming to offer superior services. The success and survival of these providers depend on their ability to maintain high service quality and ensure satisfaction.Alongside QoS, the concept of Quality of Experience (QoE) has emerged with the development of telephony networks. QoE focuses on the user's satisfaction with the service, helping operators adjust their services to meet user expectations. Recent research shows a trend towards utilizing machine learning and deep learning techniques to predict QoE. Researchers aim to develop accurate models by leveraging large volumes of data from network and user interactions, considering various real-world scenarios. Despite the complexity of network environments, this research provides a practical framework for improving and evaluating QoE. This study presents a comprehensive framework for evaluating QoE in multimedia services, adhering to the ITU-T P.1203 standard which includes automated data collection processes and uses machine learning algorithms to predict user satisfaction based on key network parameters. By collecting over 20,000 data records from different network conditions and users, the Random Forest model achieved a prediction accuracy of 95.8% for user satisfaction. This approach allows operators to dynamically allocate network resources in real-time, maintaining high levels of customer satisfaction with minimal costs.
- Abstract（参考訳）: 今日の世界では、インターネットは人間の生活の本質の一つとして認識されており、コミュニケーション、ビジネス、ライフスタイルにおいて重要な役割を果たしている。
インターネットサービスの質は、個人や社会的レベルに広範なネガティブな影響を及ぼす可能性がある。
その結果、QoS(Quality of Service)は、優れたサービスを提供することを目的とした競争市場において、サービス提供者にとって基本的な必要性となっている。
これらのプロバイダの成功と生存は、高いサービス品質を維持し、満足度を確保する能力に依存するが、QoS以外にも、QoE(Quality of Experience)の概念はテレフォニーネットワークの発展とともに出現している。
QoEはサービスに対するユーザの満足度に注目し、運用担当者がユーザの期待に応えるためにサービスを調整するのを支援する。
近年の研究では、機械学習とディープラーニング技術を利用してQoEを予測する傾向が示されている。
研究者は、様々な実世界のシナリオを考慮して、ネットワークとユーザインタラクションから大量のデータを活用することによって、正確なモデルを開発することを目指している。
ネットワーク環境の複雑さにもかかわらず、本研究はQoEの改善と評価のための実践的なフレームワークを提供する。
本研究では、自動データ収集プロセスを含むITU-T P.1203標準に準拠し、機械学習アルゴリズムを用いて、鍵となるネットワークパラメータに基づいてユーザの満足度を予測する、マルチメディアサービスにおけるQoEを評価するための包括的なフレームワークを提案する。
異なるネットワーク条件とユーザから20,000以上のデータレコードを収集することで、ランダムフォレストモデルはユーザの満足度に対して95.8%の予測精度を達成した。
このアプローチにより、オペレータはネットワークリソースをリアルタイムで動的に割り当てることができ、最小限のコストで高いレベルの顧客満足度を維持することができる。
関連論文リスト
- A review on Machine Learning based User-Centric Multimedia Streaming Techniques [5.34064424681599]
ビデオのすべてのフォーマット(従来型と360$o$)は、動的無線チャネルをまたいで処理、圧縮、送信を行う。
これによりビデオの障害が発生し、品質が低下する。
効率的なマルチメディアストリーミング技術は、動的ネットワークとエンドユーザの課題に対処しながら、サービス品質を改善することができる。
論文 参考訳（メタデータ） (2024-11-24T12:07:47Z) - MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。
動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。
実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
論文 参考訳（メタデータ） (2024-10-25T16:20:46Z) - Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。
このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。
本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。
また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
論文 参考訳（メタデータ） (2024-10-17T18:22:50Z) - A Theoretical Framework for AI-driven data quality monitoring in high-volume data environments [1.2753215270475886]
本稿では,高ボリューム環境におけるデータ品質維持の課題に対処するために,AIによるデータ品質監視システムに関する理論的枠組みを提案する。
本稿では,ビッグデータのスケール,速度,多様性の管理における従来の手法の限界について検討し,高度な機械学習技術を活用した概念的アプローチを提案する。
主なコンポーネントは、インテリジェントデータ取り込み層、適応前処理機構、コンテキスト認識機能抽出、AIベースの品質評価モジュールなどである。
論文 参考訳（メタデータ） (2024-10-11T07:06:36Z) - QoS prediction in radio vehicular environments via prior user
information [54.853542701389074]
セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。
具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
論文 参考訳（メタデータ） (2024-02-27T17:05:41Z) - Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。
我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。
最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-01-09T09:30:23Z) - Optimal Event Monitoring through Internet Mashup over Multivariate Time
Series [77.34726150561087]
このフレームワークは、モデル定義、クエリ、パラメータ学習、モデル評価、データ監視、決定レコメンデーション、Webポータルのサービスをサポートする。
さらに、MTSAデータモデルとクエリ言語を拡張して、学習、監視、レコメンデーションのサービスにおいて、この種の問題をサポートする。
論文 参考訳（メタデータ） (2022-10-18T16:56:17Z) - An Explainable Artificial Intelligence Framework for Quality-Aware IoE
Service Delivery [17.146527100570285]
本稿では、品質を意識したIoEサービス配信のための説明可能な人工知能(XAI)フレームワークを提供する。
XAI対応品質対応IoEサービス配信アルゴリズムは,アンサンブルベースの回帰モデルを用いて実装されている。
実験の結果, アップリンク改善率はAdaBoostとExtra Treesでそれぞれ42.43%, 16.32%となった。
論文 参考訳（メタデータ） (2022-01-26T08:59:00Z) - Supervised Learning based QoE Prediction of Video Streaming in Future
Networks: A Tutorial with Comparative Study [3.4481772445386087]
本稿では、教師付き学習MLモデルに基づくビデオストリーミングサービスのQoE計測および予測ソリューションの開発と展開に関するチュートリアルを提供する。
本稿では,複数のパフォーマンス指標に基づくビデオストリーミングアプリケーションのQoE予測のための,最先端の教師付き学習MLモデルの比較研究を行う。
論文 参考訳（メタデータ） (2022-01-03T18:59:46Z) - Study on the Assessment of the Quality of Experience of Streaming Video [117.44028458220427]
本稿では,ストリーミング映像のQoEの主観的推定に対する様々な客観的要因の影響について検討する。
本論文では標準的および手作り的特徴を示し,その相関とp値を示す。
SQoE-IIIデータベースは、これまでで最大の、そして最も現実的なデータベースだ。
論文 参考訳（メタデータ） (2020-12-08T18:46:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。