Comparativa de Técnicas de Aprendizaje Automático para la Estimación de Métricas de Calidad de Experiencia (QoE) a partir de métricas de Calidad de Servicio (QoS)
Este proyecto se centra en la predicción de la Calidad de Experiencia (QoE) del usuario en servicios de vídeo en streaming, a partir de métricas de Calidad de Servicio (QoS) de red. Como punto de partida, se ha tomado el conjunto de datos SNESet y y se ha analizado el artículo que incluye dicha base...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad del País Vasco |
| Repositorio: | Addi. Archivo Digital para la Docencia y la Investigación |
| OAI Identifier: | oai:addi.ehu.eus:10810/75397 |
| Acceso en línea: | http://hdl.handle.net/10810/75397 |
| Access Level: | acceso abierto |
| Palabra clave: | QoS QoE Machine Learning |
| Sumario: | Este proyecto se centra en la predicción de la Calidad de Experiencia (QoE) del usuario en servicios de vídeo en streaming, a partir de métricas de Calidad de Servicio (QoS) de red. Como punto de partida, se ha tomado el conjunto de datos SNESet y y se ha analizado el artículo que incluye dicha base de datos y se han reproducido los experimentos del mismo, a fin de conocer al detalle tanto el conjunto de datos como los modelos. Sobre esta base, se han implementado nuevos modelos de regresión avanzados que buscan mejorar tanto la precisión como la interpretabilidad de las predicciones. Entre ellos se incluyen arquitecturas como las Kolmogorov–Arnold Networks (KAN) y la red Random Vector Functional Link (RVFL. Asimismo, se ha explorado la regresión simbólica, a través de la librería GPlearn, con el objetivo de obtener representaciones explícitas y comprensibles de la función predictiva. Para enriquecer el análisis, se han incorporado herramientas de interpretabilidad como SHAP, que permite comprender el impacto de cada variable en las predicciones, y MAPIE, empleada para generar intervalos de predicción. Además, se ha evaluado la eficiencia computacional de cada modelo, incluyendo el tiempo de entrenamiento e inferencia. En conjunto, este trabajo propone una solución robusta, explicable y eficiente para la predicción de la QoE, contribuyendo a la mejora de la experiencia de usuario en entornos donde esta es crítica, como servicios multimedia, operadores de red o plataformas de contenidos. El estudio concluye con un análisis cuantitativo y cualitativo del rendimiento de los modelos propuestos en comparación con enfoques tradicionales. |
|---|