CN103702401B - 基于用户行为分析的移动网络节能方法 - Google Patents

Abstract

本发明提供一种基于用户行为分析的移动网络节能方法，包括以下步骤：(a).预测用户活动的时间区间即用户活跃时段；(b).预测移动终端非操作时应用引起网络活动的时间区间即应用活跃时段；(c).为上述网络活动制定优化策略：即为每一个移动终端非操作时应用引起的网络活动分配一个用户使用时段，即将该部分网络活动移动到所对应的用户活跃时段内，并将原应用活跃时段内的移动网络关闭，以使得能量节省的最多，影响用户正常使用的所收到的惩罚最小。本发明能够提高移动网络的利用率，同时，降低网络不必要的打开时间，以此来达到节能的目的。

Description

基于用户行为分析的移动网络节能方法

技术领域

本发明涉及移动网络领域，具体涉及基于用户行为分析的节能优化方法。

背景技术

近几年来，手机应用市场发展迅猛，据统计，在安卓应用市场上，可供用户下载的应用就达到数百万个。在琳琅满目的应用中，有很大一部分应用（例如人人网，凤凰新闻），都依赖手机网络进行信息的交互以及软件的升级。虽然依靠移动网络，这些应用能给用户带来巨大的便捷，但是，移动网络也有一个突出的缺陷，就是能耗巨大。在电池技术没有获得重大突破的现在，如何解决用户不断增长的网络使用需求和极为有限的电池资源之间的矛盾就成为当务之急。

面对这个困难，很多研究者都提出了相关的解决办法。总体上讲，这些工作可以分成两个部分：（1）提高网络通信的效率；（2）减少高耗能网络通信活动。但是，这两种方法都有十分明显的缺陷：（1）提高的能量利用率极为有限；（2）优化方法很有可能会影响用户的正常使用。造成这种困境的主要原因就在于，当前的研究工作多着眼于分析和优化手机应用的网络通信行为，而忽略了用户在这些网络活动中所起到的重要影响。

发明内容

本发明的目的在于提供一种基于用户行为分析的移动网络节能方法，即一种基于用户行为的网络通信优化方法，将用户行为这一重要信息加入到了优化过程中去。基于对以往用户行为的分析，本方法对可能的用户活动以及会被使用到的应用进行预测，从而在相应的时间段内将移动网络打开并进行网络通信，以达到节能的目的。本发明采用的技术方案是：

一种基于用户行为分析的移动网络节能方法，包括以下步骤：

(a).预测用户活动的时间区间即用户活跃时段；

(b).预测移动终端非操作时应用引起网络活动的时间区间即应用活跃时段；

(c).为上述网络活动制定优化策略：即为每一个移动终端非操作时应用引起的网络活动分配一个用户使用时段，即将该部分网络活动移动到所对应的用户活跃时段内，并将原应用活跃时段内的移动网络关闭，以使得能量节省的最多，影响用户正常使用的所收到的惩罚最小。

进一步地，所述步骤(a)具体包括：

首先本方法所涉及的参数描述如下:

t表示时间；

t_i表示时间段i；

p_i表示应用i；

[t_i,t_i+1]表示从t_i到t_i+1的时段；

n(p_i,t)表示应用i在t时间的网络活动；

V[n(p_i,t)]表示应用引起网络活动的数据容量；

thr表示判断阈值；

Pr表示可能性；

u表示用户活动；

T(u)表示预测到的用户活跃时段；

T(p)表示应用活跃时段；

ΔE_b表示通过提高带宽利用率所节省的能量；

ΔE_r表示通过关闭移动网络所节省的能量；

ΔP表示惩罚函数；

C[t_i,t_i+1]表示从t_i到t_i+1的时段的数据容量；

N(p)表示集合p的元素数量；

RF(p)表示p集合的剩余数据容量；

预测用户活动的时间区间：对用户活动有k天的记录值，k≥1，为正整数，定义Pr(u,t)为用户在t时刻使用移动终端的概率，其计算公式如下：

$\mathrm{Pr}(u,t)=\frac{{\mathrm{\Σ}}_{i=1}^{k}u{\left(t\right)}_i}{k}$

基于此计算公式，当Pr(u,t)大于阈值thr(u)时，就定义t时间为一个活跃时间点；对于多个连续的时间点，将其合并成互相独立的时间段，这些时间段作为T(u)。

进一步地，所述步骤(b)具体包括：

预测移动终端非操作时应用引起网络活动的时间区间即应用活跃时段；相应地，定义Pr[n(p_i,t)]为移动终端非操作时应用p_i在t时刻引起网络活动的概率，其计算公式如下：

$\mathrm{Pr}\left[n(p_i,t)\right]=\frac{{\mathrm{\Σ}}_{j=1}^{k}n{(p_i,t)}_j}{k}$

当Pr[n(p_i,t)]大于阈值thr(p_i)时，就定义该t时间为一个活跃时间点；对于多个连续的时间点，将其合并成互相独立的时间段，这些时间段作为T(p_i)；

对于每个属于T(p_i)的时间段t_i，定义V[n(p_i,t)]的计算公式如下：

$V\left[n(p_i,t)\right]=\frac{{\mathrm{\Σ}}_{j=1}^{k}V\left[n(p_i,t_j)\right]}{{\mathrm{\Σ}}_{j=1}^k{t}_j}\×t_i$

进一步地，所述步骤(c)具体包括：

节省的能量ΔE包括ΔE_r和ΔE_b：关闭移动网络所节省的能量ΔE_r=g([t_m,t_m+1])，其中，[t_m,t_m+1]为关闭移动网络的时段，g为能量-时间转换方程；提高带宽使用率所节省的能量ΔE_b=f(N(T(u)YT(p))/N(T(u))，其中f表示能量-带宽转换方程；

对于应用p_i在时段[t_m,t_m+1]的网络活动移动到[t_k,t_k+1]，影响用户正常使用所受到的惩罚E_t为单位时间能量消耗参数；

对于每一个属于T(u)的元素[t_m,t_m+1]，其网络数据容量被定义为：C[t_m,t_m+1]=B×[t_m,t_m+1]，其中B为移动网络带宽；

基于上述参数定义，优化策略为：挑选一个时段集合的集合S=｛S₁,S₂,…S_m｝,对于S中的每一个元素S_m，对应着一个T(u)中的时段[t_m,t_m+1]，S_m包含从T(p)中选出的需被调度到[t_m,t_m+1]的所有时段；S需要满足以下组合优化方程：

$\mathrm{Max}{\mathrm{\ΔE}}_b{\mathrm{\Σ}}_{\∀s_m}{\mathrm{\Σ}}_{\∀t_i\∈s_m}(\mathrm{\Δ}{E}_r-\mathrm{\Δp})$

$s.t.\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\left(n\right[t_i,t_i+1\left]\right)\≤\left(\right[t_m,t_{m+1}\left]\right),\∀t_i\∈s_m$

s.t.表示限制条件的意思；

所述挑选一个时段集合的集合S的具体方法包含下述步骤：

a).复制：对于每个由应用引起的网络活动n_j，在下一个预测到的用户活跃

时段中，n_j会被复制一次；

b).排序：将每个网络活动根据其效益-数据量比值进行降序排列；

c).动态规划：对每个用户活跃时段u_i，找出两个序列{{e₁,e₂...,e_k-1},{e_k}}；在这两个序列中，前k-1个元素正好满足容量需求，但是如果加上第k个元素，就会造成容量溢出；对这两个序列采用动态规划办法，其中近似参数设置为ε；0＜ε＜1；

d).筛选：对于每一个T_p，检查其是否在答案集合中出现过两次；对于重复出现的元素，选择能提供RF值大的元素进行删除；在进行完筛选操作后，采用一次贪婪搜索算法来检查是否还可以在S中添加新的元素，以此得到最终结果。

本发明的优点：本发明通过使用这种办法，来提高移动网络的利用率，同时，降低网络不必要的打开时间，以此来达到节能的目的。相比于以往的工作，此方法的效果有很大的提高。在实验中，此方法可以降低77.8%的网络通信能耗，同时，可以提高200%的带宽使用，此外，对用户造成影响的概率不高于1%。

附图说明

图1为本发明的系统模型。

图2为本发明的程序运行示意图。

图3为本方法的流程图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

本发明所提出的基于用户行为分析的移动网络节能方法，即一种基于用户行为的网络通信优化方法，具体包括下述步骤：

（1）理论模型构建：此理论模型主要包括三个步骤：预测用户活动的时间区间即用户活跃时段；预测移动终端非操作时应用引起网络活动的时间区间即应用活跃时段；为这些网络活动来制定优化策略，使得能量利用达到最大化，同时保证影响用户正常使用的概率最小。

表1参数及说明

(a).预测用户活动的时间区间：假设对用户活动有k天的记录值，k≥1，为正整数，那么定义Pr(u,t)为用户在t时刻使用手机（本例以手机作为移动终端）的概率，其计算公式如下：

$\mathrm{Pr}(u,t)=\frac{{\mathrm{\Σ}}_{i=1}^{k}u{\left(t\right)}_i}{k}$

基于此计算公式，当Pr(u,t)大于阈值thr(u)时，就定义该t时间为一个活跃时间点；对于多个连续的时间点，将其合并成互相独立的时间段，这些时间段作为T(u)。

(b).预测移动终端非操作时应用引起网络活动的时间区间即应用活跃时段；相应地，定义Pr[n(p_i,t)]为移动终端非操作时应用p_i在t时刻引起网络活动的概率，其计算公式如下：（k表示k天）

$\mathrm{Pr}\left[n(p_i,t)\right]=\frac{{\mathrm{\Σ}}_{j=1}^{k}n{(p_i,t)}_j}{k}$

当Pr[n(p_i,t)]大于阈值thr(p_i)时，就定义该t时间为一个活跃时间点；对于多个连续的时间点，将其合并成互相独立的时间段，这些时间段作为T(p_i)；

对于每个属于T(p_i)的时间段t_i，定义V[n(p_i,t)]的计算公式如下：

$V\left[n(p_i,t)\right]=\frac{{\mathrm{\Σ}}_{j=1}^{k}V\left[n(p_i,t_j)\right]}{{\mathrm{\Σ}}_{j=1}^k{t}_j}\×t_i$

(c).制定优化策略：为每一个移动终端非操作时应用引起的网络活动分配一个用户使用时段，即将该部分网络活动移动到所对应的用户活跃时段内，并将原应用活跃时段内的移动网络关闭，以使得能量节省的最多，影响用户正常使用的所收到的惩罚最小。

对于节省的能量ΔE，其主要包含两个部分：关闭移动网络所节省的能量ΔE_r,其计算公式为ΔE_r=g([t_m,t_m+1])，其中，[t_m,t_m+1]为关闭移动网络的时段，g为能量-时间转换方程；提高带宽使用率所节省的能量ΔE_b，其计算公式为ΔE_b=f(N(T(u)YT(p))/N(T(u))，其中f表示能量-带宽转换方程。

对于影响用户正常使用所受到的惩罚ΔP，为了使其能够同ΔE保持单位一致，引入单位时间能量消耗参数E_t。若需要把应用p_i在时段[t_m,t_m+1]的网络活动移动到[t_k,t_k+1]，则ΔP的计算公式如下所示：

$\mathrm{\ΔP}={\∫}_{t_{m+1}}^{t_k}{E}_t\mathrm{dt}{\∫}_{t_{m+1}}^{t_k}\mathrm{Pr}\left[u\left(t\right)\right]\mathrm{dt}$

此外，对于有重叠部分的时段，此参数只计算一次。

此外，对于每一个属于T(u)的元素[t_m,t_m+1]，其网络数据容量被定义为：C[t_m,t_m+1]=B×[t_m,t_m+1]，其中B为移动网络带宽。

基于上述参数定义，优化策略为：挑选一个时段集合的集合S=｛S₁,S₂,…S_m｝,对于S中的每一个元素S_m，对应着一个T(u)中的时段[t_m,t_m+1]，S_m包含从T(p)中选出的需被调度到[t_m,t_m+1]的所有时段；S需要满足以下组合优化方程：

$\mathrm{Max}{\mathrm{\ΔE}}_b{\mathrm{\Σ}}_{\∀s_m}{\mathrm{\Σ}}_{\∀t_i\∈s_m}(\mathrm{\Δ}{E}_r-\mathrm{\Δp})$

$s.t.\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\left(n\right[t_i,t_i+1\left]\right)\≤\left(\right[t_m,t_{m+1}\left]\right),\∀t_i\∈s_m$

s.t.即subject to，表示限制条件的意思；

(2)最优条件解:为了从理论上获得优化方程的最优解，本发明以最优情况作为基本假设。假设可以准确预测出用户活动和网络活动的时间区间，那么最优策略就是将每个网络活动调动到离其最近的用户活动区间。在ΔE一定的情况下，这种策略可以将ΔP缩小到0。

在这种情况下，原假设就可以转变成一个“含有物品交集的背包问题”。在传统理论中，简单背包问题是一个NP难解问题，而上述情况则比初始问题更为复杂，因为每个背包可供分配的物品在上述情况下并不独立。基于这种考虑，本发明提出了一种基于动态规划的算法，这种算法可以将原问题划归成简单背包问题，从而得到原问题的近似解。

所述挑选一个时段集合的集合S的具体方法包含下述步骤：

a).复制：对于每个由应用引起的网络活动n_j，在下一个预测到的用户活跃

时段中，n_j会被复制一次；

b).排序：将每个网络活动根据其效益-数据量比值进行降序排列；

c).动态规划：对每个用户活跃时段u_i，找出两个序列{{e₁,e₂...,e_k-1},{e_k}}；在这两个序列中，前k-1个元素正好满足容量需求，但是如果加上第k个元素，就会造成容量溢出；对这两个序列采用动态规划办法，其中近似参数设置为ε；

d).筛选：对于每一个T_p，检查其是否在答案集合中出现过两次；对于重复出现的元素，选择能提供RF值大的元素进行删除；在进行完筛选操作后，采用一次贪婪搜索算法来检查是否还可以在S中添加新的元素，以此得到最终结果。

以下为以上步骤的具体实现算法：

以上算法是一个近似算法，下面的定理可以确保用该算法求的解具有较好的性能，即对任意给定的正数ε，0＜ε＜1，近似解的值为最优解的倍。

定理：此算法可以对含有重叠元素的多背包问题给出一个

证明：在算法开始阶段，我们对每个网络活动进行了复制，我们定义这种情况下的最优解为OPT_dup，原情况下的最优解为OPT。

基于动态规划，假设S_i表示对用户活跃时段i的动态规划解，OPT_i为最优解。那么，给定参数0＜ε＜1，S_i可以满足以下不等式：此不等式等价于S_i是最优解的(1－ε)近似。

得到单背包问题的近似解后，我们需要筛选出被重复选择的网络活动。通过这一步，我们可以保证S中的每个元素只出现一次。令j*表示所有在S中的元素，那么：

$\underset{\∀j^{*}}{\mathrm{\Σ}}\mathrm{\Δ}{E}_r\≥\frac{1}{2}\underset{\∀j}{\mathrm{\Σ}}\mathrm{\Δ}{E}_r$

$\≥\frac{1-\mathrm{\ϵ}}{2}\mathrm{OP}{T}_{\mathrm{dup}}$

$\≥\frac{1-\mathrm{\ϵ}}{2}\mathrm{OPT}$

因而，通过得到对单背包问题的(1－ε)近似解，对原问题，我们就可以得到的近似解，原命题得证。

此外，在筛选完重复元素之后，仍然存在可以添加新元素的可能性。基于此种考虑，我们采用了一种基于RF值的剔除方法，此方法可以最大化增加新元素的概率。但是，无论采用哪种剔除办法，增加新元素所带来的能量节省仍需要满足以下公式：

$\mathrm{\ϵ}\left(\mathrm{OPT}\right)\≤\mathrm{OPT}-\underset{\∀j^{*}}{\mathrm{\Σ}}\mathrm{\Δ}{E}_r\≤\frac{1+\mathrm{\ϵ}}{2}\mathrm{OPT}$

因此，增加新元素的能量节省仅能保证ε(OPT)的能量节省。鉴于此，为了节省运行开销，对这一部分，我们采用一次贪婪搜索算法进行检验。

（3）基于不完备预测的优化策略：在现实世界中，获取准确的用户使用的时间区间十分困难。因此，为了保证本方法在实际中的应用，我们就需要对用户活动和网络活动作出预测。但是，如果仅仅使用预测方法，影响用户的正常使用就会存在极大的概率。此外，考虑到用户使用的随机性，为了满足上述要求，我们提出了基于小时的预测策略和实时调整策略。

a)基于小时的预测测略：此方法主要目的是为了保证预测的准确性，同时又不造成过大的系统计算负担。首先，我们定义使用频度为用户一个小时之内的使用的次数。通常，在凌晨2点至6点，频度一般保持在一个较为稳定的低水平状态。但是在其他时段中，频度或多或少会有一些变化。因而，就需要设置一个一个合适的thr(u)来适应这些变化。基于此种考虑，我们提出了一种基于影响的thr(u)设置方法。给定一个预测的用户活动区间，thr(u)定义为非活动时段的最大Pr(u)。通过对thr(u)的调节，我们就可以最小化对用户的影响期望。在本方法中，我们对周中设置thr(u)=0.2，对周末设置thr(u)=0.1，以此来适应频度的变化。

b)实时调整策略：此部分主要为基于小时的预测策略提供补充，即在特定条件下，在非用户活动时段打开网络，或者在用户活动时段，关闭网络。为了实现实时的控制，我们引入了无线传感网络的低能耗侦听策略和特别程序队列。

特别程序队列保存着至少被用户使用过一次并且伴随着网络活动的应用。考虑到移动平台并不自发产生网络活动，因而，如果能够记录下特别程序队列，那么我们就可以准确的侦测到用户活动和网络活动。为了适应用户行为的变化，我们对这一队列每三天进行一次升级操作。

低能耗侦听策略主要基于醒睡周期工作策略，同时，考虑到用户的行为变化，我们动态的设置醒睡周期。通过对用户的行为观测，我们发现平均使用时间大约为20秒，同时，用户活跃时段的间隔也大约为20秒。因而此策略就为用户活跃时段分配一个20/20的醒睡策略。此外，为了降低网络空闲打开的时段，此方法采取指数增长的睡眠，即在未侦测到用户活动时，此方法会采用40秒，80秒等的睡眠周期。具体实施策略如下：

预测时段外的用户使用：如果用户在预测时段外使用手机，此方法会监测当前主屏幕应用是否存在于特贴应用队列。如果返回值为真，那么我们会打开网络。另外，如果此应用为新安装应用，那么我们仍然会打开网络。在使用完成后，低能耗侦听策略会接管手机操作。

网络空闲打开时段：如果此时没有网络活动被侦测到，那么低能耗侦听就会接管网络控制，并执行指数睡眠策略。

图1展示了本发明提出的系统模型。该系统主要包括三个模块和一个数据：监控模块，用户信息数据库，数据挖掘模块和调度模块。

a)监控模块：此模块主要负责记录与用户行为相关的信息。为了便于记录，我们总结了4组特征：(1)时间信息：这类特征主要为用户行为挖掘，活跃时段预测和实时调整服务。对于这类特征，记录格式如下所示：2013-07-0921:51:06周二；(2)应用信息：这类特征包含应用程序的信息。本系统记录应用名称，运行状态和网络使用。记录格式如下：名称:com.android.email运行状态：前台接收字节：477发送字节：1127；(3)网络信息：这里网络信息为移动网络。本系统使用由TrafficStats提供的接口来记录网络状态。具体记录格式如下：链接状态：连上接收字节：134566传输字节数：67855；(4)屏幕信息：这组信息主要负责监测用户是否正在使用手机。通常，用户使用手机的时候都会伴随着屏幕状态和键盘状态的改变。因此，此类信息记录如下：屏幕状态：打开键盘状态：打开。

为了降低记录信息所造成的能量开销，我们设计了一个混合记录模型。首先，对于状态类信息，本系统将为每组信息设置了一个事件驱动模型。在任何一组状态信息发生改变时，该模型都会受到一个相应的信息中断，从而进行记录。另一方面，对于非状态类信息，本系统为其设置一个时间驱动模型：在用户活跃区间，本系统采用1秒的记录间隔；在非用户活跃区间，本系统采用30秒的记录间隔。

b)挖掘模块：这个部分主要负责预测用户活跃时段和网络活动时段。对于用户活跃时段，其采用基于小时和用户影响的策略，此方法同样应用于对网络活动的预测。此部分预测结果包含两个24维的向量组：用户活跃时段预测结果和网络活动预测结果。

c)调度模块：调度模块主要负责决定调度策略和进行实时调整。其主要包括两个部分：计算调度决策和实时调整。

计算调度决策：这个部分主要负责调度网络活动。所采用的ε为0.1，因而优化保证为0.45近似。

实时调整：这一部分控制实时网络开关。主要函数在底层实现：此系统会生成一个子进程，用于执行svc data enable（打开网络）或者svc data disable（关闭网络）。此外，特别应用队列通过sql程序从数据库中读取。对于低能耗策略，此模块将其封装为Service，在系统后台一直运行。

图2是程序运行图。

图2-a表示程序的初始界面，有三个选项，为查看信息，进行优化和显示结果。其中，为了降低程序运行开销，我们将显示结果和进行优化两个界面进行了结合。

图2-b表示可以查看到的系统信息，方便用户了解自身手机的实时运行状况。

图2-c表示了优化策略界面。前面三个选项表示了三种操作：移动数据库，将手机里面的数据移动到储存卡中；关闭网络，手动关闭移动网络；进行优化，在当前基于历史信息进行优化操作。同时，在进行完优化操作后，点选显示结果，则优化结果就会显示在当前页面上，供用户查看。

Claims (4)

1.一种基于用户行为分析的移动网络节能方法，其特征在于，包括以下步骤：

(a).预测用户活动的时间区间即用户活跃时段；

(b).预测移动终端非操作时应用引起网络活动的时间区间即应用活跃时段；

(c).为上述网络活动制定优化策略：即为每一个移动终端非操作时应用引起的网络活动分配一个用户使用时段，即将该部分网络活动移动到所对应的用户活跃时段内，并将原应用活跃时段内的移动网络关闭，以使得能量节省的最多，影响用户正常使用的所收到的惩罚最小。

2.如权利要求1所述的基于用户行为分析的移动网络节能方法，其特征在于：所述步骤(a)具体包括：

首先本方法所涉及的参数描述如下:

t表示时间；

t_i表示时间段i；

p_i表示应用i；

[t_i,t_i+1]表示从t_i到t_i+1的时段；

n(p_i,t)表示应用i在t时间的网络活动；

V[n(p_i,t)]表示应用引起网络活动的数据容量；

thr表示判断阈值；

Pr表示可能性；

u表示用户活动；

T(u)表示预测到的用户活跃时段；

T(p)表示应用活跃时段；

△E_b表示通过提高带宽利用率所节省的能量；

△E_r表示通过关闭移动网络所节省的能量；

△P表示惩罚函数；

C[t_i,t_i+1]表示从t_i到t_i+1的时段的数据容量；

N(p)表示集合p的元素数量；

RF(p)表示p集合的剩余数据容量；

预测用户活动的时间区间：对用户活动有k天的记录值，k≥1，为正整数，定义Pr(u,t)为用户在t时刻使用移动终端的概率，其计算公式如下：

$\mathrm{Pr}(u,t)=\frac{{\mathrm{\Σ}}_{i=1}^{k}u{\left(t\right)}_i}{k}$

基于此计算公式，当Pr(u,t)大于阈值thr(u)时，就定义t时间为一个活跃时间点；对于多个连续的时间点，将其合并成互相独立的时间段，这些时间段作为T(u)。

3.如权利要求2所述的基于用户行为分析的移动网络节能方法，其特征在于：所述步骤(b)具体包括：

预测移动终端非操作时应用引起网络活动的时间区间即应用活跃时段；相应地，定义Pr[n(p_i,t)]为移动终端非操作时应用p_i在t时刻引起网络活动的概率，其计算公式如下：

$\mathrm{Pr}\[n(p_i,t)\]=\frac{{\mathrm{\Σ}}_{j=1}^{k}n{(p_i,t)}_j}{k}$

当Pr[n(p_i,t)]大于阈值thr(p_i)时，就定义该t时间为一个活跃时间点；对于多个连续的时间点，将其合并成互相独立的时间段，这些时间段作为T(p_i)；

对于每个属于T(p_i)的时间段t_i，定义V[n(p_i,t)]的计算公式如下：

$V\[n(p_i,t)\]=\frac{{\mathrm{\Σ}}_{j=1}^{k}V\[n(p_i,t_j)\]}{{\mathrm{\Σ}}_{j=1}^k{t}_j}\×t_i.$

4.如权利要求3所述的基于用户行为分析的移动网络节能方法，其特征在于：所述步骤(c)具体包括：

节省的能量△E包括△E_r和△E_b：关闭移动网络所节省的能量△E_r＝g([t_m,t_m+1])，其中，[t_m,t_m+1]为关闭移动网络的时段，g为能量-时间转换方程；提高带宽使用率所节省的能量△E_b＝f(N(T(u)∪T(p))/N(T(u))，其中f表示能量-带宽转换方程；

对于应用p_i在时段[t_m,t_m+1]的网络活动移动到[t_k,t_k+1]，影响用户正常使用所受到的惩罚E_t为单位时间能量消耗参数；

对于每一个属于T(u)的元素[t_m,t_m+1]，其网络数据容量被定义为：C[t_m,t_m+1]＝B×[t_m,t_m+1]，其中B为移动网络带宽；

基于上述参数定义，优化策略为：挑选一个时段集合的集合S＝{S₁,S₂,…S_m},对于S中的每一个元素S_m，对应着一个T(u)中的时段[t_m,t_m+1]，S_m包含从T(p)中选出的需被调度到[t_m,t_m+1]的所有时段；S需要满足以下组合优化方程：

${\mathrm{Max\ΔE}}_b{\mathrm{\Σ}}_{\∀s_m\∈S}{\mathrm{\Σ}}_{\∀t_i\∈s_m}({\mathrm{\ΔE}}_r-\mathrm{\Δ}P)$

$s.t.\underset{i=1}{\overset{k}{\Σ}}V(n\[t_i,t_i+1\])\≤C(\[t_m,t_{m+1}\]),\∀t_i\∈s_m$

s.t.表示限制条件的意思；

所述挑选一个时段集合的集合S的具体方法包含下述步骤：

a).复制：对于每个由应用引起的网络活动n_j，在下一个预测到的用户活跃时段中，n_j会被复制一次；

b).排序：将每个网络活动根据其效益-数据量比值进行降序排列；

c).动态规划：对每个用户活跃时段u_i，找出两个序列{{e₁,e₂...,e_k-1},{e_k}}；在这两个序列中，前k-1个元素正好满足容量需求，但是如果加上第k个元素，就会造成容量溢出；对这两个序列采用动态规划办法，其中近似参数设置为ε，0＜ε＜1；

d).筛选：对于每一个T_p，检查其是否在答案集合中出现过两次；对于重复出现的元素，选择能提供RF值大的元素进行删除；在进行完筛选操作后，采用一次贪婪搜索算法来检查是否还可以在S中添加新的元素，以此得到最终结果。