随着互联网技术以及视频多媒体技术的不断发展,网络视频作为一种重要的休闲娱乐方式,受到了人们的一致追捧。思科公布的互联网预测报告显示:2015年网络视频流量占全部互联网流量的70%,预计到2020年所有消费的网络流量中的视频流量将占到82%,其中移动视频数据流量将占总网络流量的50%。如此庞大的视频数据流量对当前的视频服务,特别是移动端视频服务,带来了极大的挑战。与此同时,视频用户对视频观看质量也提出了更高层次的要求:高视频分辨率、低启动时延、低缓冲率,追求更高的用户体验质量(Quality of Experience,QoE)。因此,研究如何精准预测网络视频服务中的用户体验质量,近而提升视频用户体验质量,具有很大的理论价值和商业应用价值。现有的关于用户体验质量的研究工作中,大多是研究视频用户观看行为以及视频质量影响因素,或者提出一些复杂的控制平台系统来优化网络视频资源传输效率,或者研究复杂的视频编码,来提升用户体验质量。本文拟运用机器学习算法,构建简单、易部署的基于用户终端的QoE模型,提升用户体验质量。本文的具体贡献主要有如下四个方面。(1)详细分析了 PPTV视频用户接入日志数据集,发现:1)起始缓冲时长比缓冲总时长更需要针对性的优化;2)缓冲次数与用户有效观看时间比的相关性最大。在此基础上设计了一种高性能的基于随机森林算法的QoE映射模型,在预测用户体验质量不好时的F1值达到0.77,并且起始缓冲时长和缓冲次数对模型预测效果的影响较大。(2)开发了一整套适用于LTE网络环境下DASH视频质量研究的实验平台。具体说来,在阿里云服务器上搭建了 DASH视频服务器,并部署了 MongoDB数据库用于测量数据的持久化存储;开发了 Androidapp应用用于采集LTE网络质量参数,修改dashjs客户端源码来采集DASH视频客户端播放信息。(3)通过对实验测量数据的研究分析发现:1)当缓冲区长度低于0.5秒钟时,视频将会出现卡顿;2)当前LTE网络下的DASH视频用户体验质量的主要问题在于往返时间(RTT)。(4)提出了一种基于"时间窗口"的预测方法,设计了两种基于随机森林算法的QoE模型,在预测用户体验质量不好时的F1值达到0.87。并且,最佳的间隔时间窗口值:28秒,最佳的历史时间窗口值为10秒到18秒。