随着移动互联网的高速发展,各种新兴智能业务(如Ultra HD video、AR、Cloud Gaming、自动驾驶、远程医疗、智慧交通等)层出不穷,用户对业务质量的要求也越来越高,然而如何提高用户体验质量,如何提供面向用户的感知分析体系,成为其发展进程中无法回避的关键性问题。因此,以用户体验为核心,从用户角度去感受网络质量,根据真实用户反馈终端体验进行监测和优化,建立面向用户参与的Qo E网络体验感知模型研究应运而生。本文面向当前复杂的移动通信环境,立足于广州市科技计划项目-面向5G网络测试云平台技术研究及产业化,基于大量视频用户真实反馈数据及网络参数,提出一种新颖的基于数据驱动的Qo E质量感知模型,将用户主观感受与网络因素相结合,完成面向用户参与的视频业务Qo E模型的研究。首先,本文充分调研国内外对视频业务Qo E评价模型的相关研究,对用户体验质量Qo E、网络参数Qo S以及影响用户体验的两个关键指标KPI、KQI的概念和相互联系做详细描述;然后系统阐释视频业务主观、客观、主客观结合的三种评估方法及原理;另外,详细介绍三种基于机器学习的视频业务Qo E评估模型的原理和应用,包括基于决策树算法的评估模型、基于KNN算法的评估模型、基于多元线性回归的评估模型,并对其存在的局限性问题进行分析。其次,针对视频业务用户体验质量评估问题,提出一种新颖的基于数据驱动的Qo E质量感知模型,主要包括:1)数据预处理部分:使用MCD算法进行粗差判别及去除;采用皮尔逊相关系数法对关键参数进行相关性检验,去除冗余的特征参数,确定对用户体验产生较大影响的特征为总下载速度与缓冲时间;特征归一化处理;2)机器学习算法DBSCAN与正则化逻辑回归的结合。最后,进行模型的性能比较与验证。通过仿真,将本模型与另外三种经典的机器学习模型进行对比分析,以迭代次数、F-Measure、准确率作为性能指标,证明本文所提模型具有最低的迭代次数、最高的F-Measure和准确率,在评估性能方面最优。此外,基于另一真实数据集进行交叉验证,使用准确度、偏差、方差等性能指标证明所提模型的准确性及适用性,并基于Qo S参数偏差,发现初始缓冲时长、总下载速率小于其它参数,表明二者是严重影响视频用户v MOS的网络特征参数,进一步验证数据预处理阶段的特征提取准确性。