1.IPTV视频业务中用户满意度的智能化预测方法，其特征在于，所述方法包括如下步骤：步骤1：确定影响用户满意度的因素：从IPTV机顶盒收集的视频业务的关键性能指标KPI原始记录中，挑选固定时间长度的KPI数据，每条KPI数据中包含6个属性：设备传输时延df、设备传输抖动jit、设备丢包率lp、平均传输比特率br、业务开始时间、业务结束时间；将用户第n条KPI数据的前4个属性{df,jit,lp,br}的平均值作为影响用户满意度的因素其中xn＝(xn,df,xn,jit,xn,lp,xn,br)；

步骤2：确定用户满意度的客观度量：将用户第n条KPI数据中的结束时间减去开始时间，并将其累加，得到用户第n条KPI数据中的使用业务的时长，即，步骤3：建立分类回归CART树模型及训练：

(3-1)将(X,Y)作为训练数据，对于X中的某个属性j，j∈{df，jit，lp，br}，用其作为切分变量；对于该切分变量j，选择切分点s，将X划分成两个区域：R1(j,s)＝{xn|xn,j≤s}和R2(j,s)＝{xn|xn,j＞s}(3-2)分别求两个区域中的xn对应的yn的均值c1和c2，即

其中N1和N2分别为两个区域中的数据数目；

(3-3)计算平方误差：

(3-4)遍历所有的j和s，选择使得平方误差最小的最优值j*和s*作为分类回归树第一层切分变量和切分点，即，(j*,s*)＝argminError(j,s)；用最终选定的(j*,s*)划分出子区域R1(j*,s*)，R2(j*,s*)，保存落在每个子区域中的训练数据D1,D2，如下：D1＝{(xn,yn)|xn∈R1(j*,s*)}，D2＝{(xn,yn)|xn∈R2(j*,s*)}(3-5)对已划分好的两个子区域，考虑剩余的属性，调用(3-1)～(3-4)的步骤，继续对每个子区域进行进一步划分，并对划分好的二级、三级子区域中的训练数据进行存储，直至满足停止条件；这里的停止条件为所有的4个属性已经全部被遍历或者在子区域生成过程中计算出的Error(j,s)的最小值低于阈值ε；通过本步骤，最终生成CART树；

步骤4：预测用户满意度：

(4-1)对于待预测用户满意度的数据x'，按照所生成的CART树的结构，自上而下，将其分配到相应的叶节点所在的区域，设该区域为D'；

(4-2)对于x'，在D'中做KNN搜索，基于欧氏距离找到其中的K个近邻数据 计算距离加权平均值，用该均值作为最终的预测值输出y'，即：其中

上式中d(x',xk)为x'与其邻居节点xk的欧氏距离。