This study evaluates the performance of various multivariate regression models in predicting client bitrate choices for adaptive bitrate video streaming. Using 262 hours of synthesized streaming client data, from 3G and 4G mobile network traces, four different rudimentary multivariate regressors were tested. The analysis focuses on mean absolute error (MAE) and mean squared error (MSE) metrics across different numbers of simultaneous clients. The regressors that were used were a linear regressor, a single regression tree, a random forest regressor, as well as a baseline regressor, called the Naïve regressor, that assumes stasis between chunks. Results show the Naïve regressor consistently exhibited the smallest MAE, suggesting a higher overall accuracy, although with potentially larger errors for a fewer number of predictions. However, as the number of clients increased, the performance differences between the regressors decreased, but generally favoring simpler models, likely due to the relatively static dataset. Although the results seem promising, further research, with more diverse training and testing data, is necessary to confirm generalizability.

Denna studie undersöker prestandan hos ett antal mutlivariata regressionsmodeller för uppgiften att förutse klientval av bithastigheter i videoströmning med adaptiv bithastighet. Med 262 timmar av konstgjord klientströmningsdata, skapade utifrån nätverksspår över både 3G och 4G, testades fyra olika regressionsmodeller. Analysen fokuserade på medelvärdet av absolut fel (MAE) och medelvärdet av kvadratfel (MSE) över olika antal samtidiga klienter. Regressionsmetoderna som användes i modellerna var linjär regression, ett ensamt Regression Tree, en Random Forest, samt en regressionsmodell som benämndes som Naiv, som antog fullständig stasis mellan två på varandra följande segment. Resultaten visar att den Naiva modellen konsekvent uppvisade det lägsta MAE, vilket antyder en högre allmän precision, men med potentiellt större fel hos en mindre mängd förutsägelser. När antalet klienter ökade, däremot, så minskade skillnaden i prestanda mellan modellerna, men med ett generellt övertag hos de enklare modellerna, antagligen på grund av det relativt statiska datasetet. Även om resultaten verkar lovande så krävs mer forskning, med mer mångfaldig tränings- och testdata, för att styrka metodens generaliserbarhet.