买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国传媒大学申请的专利注意力机制下基于卷积循环神经网络的流媒体QoE预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115883528B 。

龙图腾网通过国家知识产权局官网在2026-05-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211431060.X，技术领域涉及：H04L65/80；该发明授权注意力机制下基于卷积循环神经网络的流媒体QoE预测方法是由李树锋;张笑涵;金立标;胡峰;雷玲设计研发完成，并于2022-11-15向国家知识产权局提交的专利申请。

本注意力机制下基于卷积循环神经网络的流媒体QoE预测方法在说明书摘要公布了：本发明公开了注意力机制下基于卷积循环神经网络的流媒体QoE预测方法，其特征在于，该方法包含两种方法，其中一个为解决时序QoE预测的一种注意力机制下基于卷积循环神经网络的流媒体QoE预测方法。依赖于四个输入因素进行连续QoE预测，即短时主观质量STSQ，目前是否卡顿PI，当前比特率BITRATE和再缓冲时间TR；另一个为验证输入指标的普适性并解决全局QoE预测的一种基于BP网络结合主观与客观因素的全局QoE预测方法。利用CNN捕捉上下文信息短序信息，GRU捕捉全局长序依赖关系，Attention捕捉重点信息，三者结合提高预测的准确性。加入并行处理的CNN以提高训练速度。引入了当前比特率这一客观QoS指标，并将其与PI混合编码以减小计算复杂度，比常用的PI更能体现实际网络环境。

本发明授权注意力机制下基于卷积循环神经网络的流媒体QoE预测方法在权利要求书中公布了：1.注意力机制下基于卷积循环神经网络的流媒体QoE预测方法，其特征在于，包括如下步骤， 步骤1，处理QoE数据库中的信息，QoE由主观评价与客观因素共同组成，选择当前BITRATE、当前STSQ、当前是否卡顿PI以及当前距离上一次卡顿经过的时间；当前网络状况对QoE有贡献，加入当前比特率进行预测；以上QoE数据来自每一个120s视频中每一秒信息； 步骤2，对QoE数据进行二次编码，将当前BITRATE和是否卡顿结合编码为一个指标BIT-PI，即将BITRATE的数值归一化，若其为0则置1，不为0则取其倒数； 步骤3，对所有输入输出指标进行归一化，公式为：，其中X为原始数据；归一化后的输入指标={BIT-PI,STSQ,}，输出指标Y={QoE_T},为实时QoE数值，其范围在0-1之间； 步骤4，建立CGRU-QoE网络； CGRU-QoE网络第一层为cnn层，用于提取短序依赖关系和上下文信息；包含一个滤波器大小为64，内核大小为1的conv1d层和一个最大池化窗口为1的maxpooling层； 第二和第三层是两个单元数为22，丢弃率为0.5的GRU层来提取长序依赖关系； 接下来是一个Attention层，用于提取重点信息，其计算方法为，其中为输入本层的向量中第n个因子的受关注程度； 第五层经过一个丢弃率为0.5的Dropout层进行随机抛弃来防止过拟合； 最后通过全连接层后sigmoid函数输出； 步骤5，训练CGRU-QoE网络； 采用S折交叉验证的方式进行训练：每次随机的选择S-1份作为训练集，剩下的1份做测试集；当一轮完成后，重新随机选择S份来训练数据；若干轮之后，选择损失函数评估最优的模型和参数； 将训练步长设为4，批大小设置为1，no_feat设置为3，分成多份每一批大小为[1,4,3]的数据块输入进入网络，得到预测分数； 步骤6，根据公式求出皮尔斯相关系数PCC、，其中，n为样本数量，=；求出斯皮尔曼相关系数SROCC、求出归一化均方根误差、根据超过两倍置信区间的概率求出超线率OR，并记录一次训练运行时间记为TIME，作为网络评价指标。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国传媒大学，其通讯地址为：100024 北京市朝阳区定福庄东街1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。