CN106900070B - 一种移动设备多应用程序数据传输能耗优化方法 - Google Patents

Abstract

本发明公开了一种移动设备多应用程序数据传输能耗优化方法，包括：利用差分自回归移动平均模型对由数据传输到达的时刻组成的原时间序列进行线性部分预测，得到所述原时间序列的残差序列；利用神经网络模型对所述残差序列进行预测，确定复合预测模型；根据所述复合预测模型，预测原时间序列中第一时刻的下一数据传输时刻，作为第二时刻，并根据第一时刻和其对应的尾时间的和与第二时刻的大小关系对移动设备的电平状态进行对应的调整。通过动态调整尾时间长短以减少尾能耗，同时在下一次数据传输请求到达时提前切换移动设备电平状态的，减少传输延时，提高了用户体验度。

Description

一种移动设备多应用程序数据传输能耗优化方法

技术领域

本发明涉及蜂窝网络无线资源控制协议(Radio Resource Control,RRC)下移动设备数据传输能耗优化技术领域，特别是指一种移动设备多应用程序数据传输能耗优化方法。

背景技术

计算机技术与通信技术的飞速发展，促使以智能手机为代表的移动设备的数量迅猛增长。与此同时，移动设备处理器能力的不断提升以及蜂窝网络带宽的不断增长，更促进了移动应用程序种类和数量的快速发展。数量繁多、功能丰富的各种应用程序在为人们的生活带来便利和乐趣的同时，也极大地消耗了移动设备的能量。然而，移动设备电池容量的发展速度和受限的电池续航能力却成为影响增强移动应用程序用户体验的瓶颈。因此，降低移动设备的能耗成为迫切需要解决的问题。蜂窝网络中移动设备数据传输过程的能耗通常受到RRC(Radio Resource Control)等无线MAC协议的控制，数据在传输结束后无线电电平不会立即降低到低电平状态，而是保持一段时间的高电平，在数据传输完成却仍保持高电平状态的时间内，若无后续数据传输，无线电电平就从高电平状态转换到低电平。这段无数据传输但又保持高电平状态的时间称为尾时间(tail time)，这段时间里造成的能量浪费称为尾能量(tail energy)。尾时间的引入是为了避免无线接入网络过高的信号开销，但如果数据传输过程中出现过多的尾时间，能量利用率就会大大下降。因此如何有效地降低尾能量的影响成为解决蜂窝网络中移动设备数据传输能耗优化问题的关键。

以RadioJockey为例，现有基于尾时间调优的能耗优化方案大都建立在单一种类应用程序数据传输的基础上，通过划分应用程序种类仅针对每一类应用程序的数据传输特点简单预测数据传输时刻来决定何时切断尾时间，虽然一定程度上可达到减少尾能耗目的，但是仍不可避免地会带来其他问题。首先，针对单一种类应用程序的能耗优化并不符合移动设备同时运行多种多个应用程序的实际情况，并且应用程序单一数据传输特点简单使得预测模型简化导致预测准确度降低；其次，频繁的切断尾时间会导致多余的状态切换产生更多状态提升能耗，同时状态提升耗时造成传输时延，降低用户体验度。

发明内容

有鉴于此，本发明的目的在于提出一种动态调整尾时间长短以减少尾能耗，同时在下一次数据传输请求到达时提前切换移动设备电平状态的，减少传输延时，提高用户体验度的数据传输能耗优化方法。

基于上述目的本发明提供的一种移动设备多应用程序数据传输能耗优化方法，包括：

利用差分自回归移动平均模型对由数据传输到达的时刻组成的原时间序列进行线性部分预测，得到所述原时间序列的残差序列；

利用神经网络模型对所述残差序列进行预测，确定复合预测模型；

根据所述复合预测模型，预测原时间序列中第一时刻的下一数据传输时刻，作为第二时刻，并根据第一时刻和其对应的尾时间的和与第二时刻的大小关系对移动设备的电平状态进行对应的调整。

进一步的，所述对移动设备的电平状态进行对应的调整具体为：

当所述第一时刻和其对应的尾时间的和小于等于所述第二时刻时，则保留尾时间；

当所述第一时刻和其对应的尾时间的和大于所述第二时刻时，判断实际节省的尾能耗与状态提升能耗之间的大小关系，若所述实际节省的尾能耗小于状态提升能耗，则保留尾时间，若所述实际节省的尾能耗大于状态提升能耗，则将移动设备下降为节能状态，并在第二时刻与所述第一时刻对应的尾时间的差值对应的时刻将移动设备上升为专用信道状态。

进一步的，还包括对第二时刻进行误差修正，具体为：

根据第二时刻在原时间序列中对应的第三时刻的差值与所述第二时刻的差，得到预测误差；

当所述预测误差的值为正数时，若所述预测误差小于第一时刻的尾时间的值时，则将移动设备上升为专用信道状态并维持该状态，若所述预测误差大于第一时刻的尾时间的值时，对比传输能耗和两侧状态提升能耗的大小，若传输能耗较大，则将移动设备切换为前向接入信道状态，并在第三时刻与第一时刻对应的尾时间的差值对应的时刻，将移动设备上升为专用信道状态；

当所述预测误差的值为负数时，在数据传输请求到达前对所述第二时刻进行修正，使所述预测误差的值为正数。

进一步的，所述复合预测模型的确定过程具体包括：

检验原时间序列是否平稳，若原时间序列不平稳，则对原时间序列进行差分，直到得到原时间序列的平稳序列；

求自相关和偏自相关函数进行模型识别；

穷举参数p和q的取值空间(p，q)，拟合每一组(p，q)对应的参数；

计算对应的信息准则AIC，并选择AIC值最小的取值空间(p，q)作为模型参数建立模型进行线性部分预测；

计算残差序列，输入残差学习样本，并计算各个单元的输出和反向传播误差，根据反向传播误差按照BP模型权值修正公式调整权值和阈值，选择符合精度要求的权值和阈值对残差序列建模预测，最终得到符合预测模型。

从上面所述可以看出，本发明提供的移动设备多应用程序数据传输能耗优化方法，包括：利用差分自回归移动平均模型对由数据传输到达的时刻组成的原时间序列进行线性部分预测，得到所述原时间序列的残差序列；利用神经网络模型对所述残差序列进行预测，确定复合预测模型；根据所述复合预测模型，预测原时间序列中第一时刻的下一数据传输时刻，作为第二时刻，并根据第一时刻和其对应的尾时间的和与第二时刻的大小关系对移动设备的电平状态进行对应的调整。通过动态调整尾时间长短以减少尾能耗，同时在下一次数据传输请求到达时提前切换移动设备电平状态的，减少传输延时，提高了用户体验度。

附图说明

图1为本发明移动设备多应用程序数据传输能耗优化方法的一个实施例的流程图；

图2为本发明移动设备多应用程序数据传输能耗优化方法的一个实施例的时间序列预测流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明提供的一种移动设备多应用程序数据传输能耗优化方法，包括：利用差分自回归移动平均模型对由数据传输到达的时刻组成的原时间序列进行线性部分预测，得到所述原时间序列的残差序列；利用神经网络模型对所述残差序列进行预测，确定复合预测模型；根据所述复合预测模型，预测原时间序列中第一时刻的下一数据传输时刻，作为第二时刻，并根据第一时刻和其对应的尾时间的和与第二时刻的大小关系对移动设备的电平状态进行对应的调整。

本发明提供的移动设备多应用程序数据传输能耗优化方法，通过动态调整尾时间长短以减少尾能耗，同时在下一次数据传输请求到达时提前切换移动设备电平状态的，减少传输延时，提高了用户体验度。

如图1所示，为本发明移动设备多应用程序数据传输能耗优化方法的一个实施例的流程图，包括以下步骤：

步骤101：利用差分自回归移动平均模型对由数据传输到达的时刻组成的原时间序列进行线性部分预测，得到所述原时间序列的残差序列。

步骤102：利用神经网络模型对所述残差序列进行预测，确定复合预测模型。

步骤103：根据所述复合预测模型，预测原时间序列中第一时刻的下一数据传输时刻，作为第二时刻，并根据第一时刻和其对应的尾时间的和与第二时刻的大小关系对移动设备的电平状态进行对应的调整。

本实施例的方法通过动态调整尾时间长短以减少尾能耗，同时在下一次数据传输请求到达时提前切换移动设备电平状态的，减少传输延时，提高了用户体验度。

为了使本发明的技术方案更容易被理解，下面结合具体实施例以对本发明的技术方案进行说明。

首先给出SmartTT的蜂窝网络数据传输序列模型，也即复合预测模型。定义数据集D＝{d₁,d₂,d₃,……,d_i,……,d_n}为各个时刻到达的数据传输请求所组成的数据序列，时间集T＝{t₁,t₂,t₃,……,t_i,……,t_n}为数据集D中对应数据传输请求到达时刻所组成的时间序列，也即原时间序列。数据传输时蜂窝网络接口在各个RRC状态功率具有固定值，而相邻两次数据传输之间的时间间隔决定蜂窝网络接口在不同的RRC状态之间如何转换以及尾时间的长短，因此时间集T中的数据项t_i将直接影响尾能耗E_tail。在上述模型的技术上，本发明技术方案的SmartTT包括时间序列预测、尾时间调整、误差修正三部分。

时间序列预测：

实际的时间序列通常同时具有线性和非线性复合特征，ARIMA模型(差分自回归移动平均模型)和BP模型(神经网络模型)分别在线性和非线性时序预测方面具有显著优势，因此本发明采用ARIMA和BP复合预测模型对时间序列T＝{t₁,t₂,t₃,……,t_i,……,t_n}进行预测。有如下假设，时间序列T＝{t₁,t₂,t₃,……,t_i,……,t_n}由线性部分L_i和非线性部分N_i组成：

t_i＝L_i+N_i (1)

首先利用ARIMA模型对时间序列T预测，假设预测值为L′_i，原时间序列与预测结果之间的残差假设为e_i：

e_i＝t_i-L′_i (2)

残差e_i反映了t_i中的非线性关系，利用BP模型对e_i预测，假设预测值为N′_i，则时间序列T的最终预测值为：

t′_i＝L′_i+N′_i (3)

具体的时间序列预测流程如图2所示，图2为本发明移动设备多应用程序数据传输能耗优化方法的一个实施例的时间序列预测流程图。主要步骤如下：

步骤一：检验时间序列T是否平稳，不平稳进行差分直到得到平稳序列；

步骤二：根据公式(4)和(5)求自相关和偏自相关函数进行模型识别；

步骤三：穷举参数p和q的取值空间(p,q)，由公式(6)拟合每一组(p,q)对应的参数

其中，ε_i服从均值为0，方差为常量σ²(拟合后的残差方差)的正态分布

步骤四：根据公式(7)计算对应的AIC；

AIC＝N logσ²+(p+q+1)log N (7)

步骤五：选择对应AIC值最小的(p,q)作为模型参数建立模型进行线性部分预测；

步骤六：根据公式(2)计算残差序列；

步骤七：利用BP模型预测残差序列，首先初始化权值ω_ij＝Random(·)；

步骤八：输入残差序列学习样本；

步骤九：分别由公式(8)、公式(9)(10)计算各个单元的输出和反向传播误差；

步骤十：根据反向传播误差按照BP模型权值修正公式调整权值和阈值；

步骤十一：选择符合精度要求的权值和阈值对残差序列建模预测；

步骤十二：由公式(3)综合步骤五和步骤十一两部分得到最终复合预测模型。

尾时间调整：

RRC协议规定蜂窝网络无线电电平在数据传输时处于高电平状态DCH，数据传输结束后若后续无数据传输，则电平维持DCH状态一段固定时间α后下降到FACH状态；若后续继续无数据传输，则维持FACH一段固定时间β后最终下降到IDLE状态，并且在无数据传输时始终保持该状态；再次进行数据传输时，无线电电平重新从IDLE状态提升至DCH状态进行数据传输。受该协议控制，DCH状态和FACH状态电平功率固定，设分别为p_DCH和p_FACH；由IDLE状态提升至DCH状态的状态提升功率和时延固定，设分别为p_pro和t_delay。假设数据传输时间序列{t₁,t₂,t₃,……,t_i,……,t_n}对应的预测值序列为{t′₁,t′₂,t′₃,……,t′_i,……,t′_n}，则无误差修正下SmartTT的尾时间调整过程如下：

(1)移动设备电平状态初始化，即最初无数据传输时电平状态为IDLE；

(2)当电平状态提升至DCH进行一次数据传输时，利用复合预测模型预测下一次数据传输到达时间t′_i。若t′_i≤t_i-1+t_delay，保留尾时间，否则电平状态立即下降到IDLE；

(3)当t′_i>t_i-1+t_delay，又存在以下三种情况：

①t_i-1+t_delay<t′_i≤t_i-1+α

②t_i-1+α<t′_i≤t_i-1+α+β

③t′_i>t_i-1+α+β

三种情况下需平衡考虑尾时间调整节省的尾能耗E_tail和随之带来的状态提升能耗E_pro，对应上述三种情况，尾能耗与状态提升能耗分别为：

E_tail＝p_DCH*(t′_i-t_i-1)

E_pro＝p_pro*t_delay

E_tail＝p_DCH*α+p_FACH*(t′_i-t_i-1-α)

E_pro＝p_pro*t_delay

E_tail＝p_DCH*α+p_FACH*β

E_pro＝p_pro*t_delay

若实际节省的尾能耗E_tail小于随之产生的状态提升能耗E_pro，保留尾时间，否则电平状态立即下降到IDLE，同时提前在t′_i-t_delay时刻开始提升至DCH状态做好数据传输准备，避免因状态提升导致传输时延。

误差修正：

理想情况下预测值t′_i准确，SmartTT可有效减少尾能耗和状态提升能耗并避免传输时延，但实际情况下的t′_i并不能保证每次都准确预测，这无疑会对SmartTT的性能产生影响。因此SmartTT引入了相应的误差修正策略从以下两方面进行修正：

预测值t′_i偏小，无线电电平已提前完成状态提升，但数据传输并未开始，产生多余的数据传输能耗；

预测值t′_i偏大，无线电电平尚未完成状态提升，但数据传输请求已经到达，造成传输时延影响用户体验度。

假设实际预测误差为δ_i，则有：

δ_i＝t_i-t′_i

由上式可知δ_i也是一时间序列，同样可用复合预测模型进行预测，假设预测值为δ′_i，则两种情况下的误差修正如下，具体的优化策略如表1所示：

δ′_i>0，预测值偏小，提前提升至DCH状态导致多余的传输能耗，设为E_trans，具体又可分为以下两种情形：

δ′_i<t_delay，状态提升后维持DCH状态，直到数据传输请求到达开始数据传输；

δ′_i>t_delay，若状态提升后维持DCH状态直到数据传输请求到达，可能浪费过多的传输能耗；若再次下降到IDLE状态并在数据传输请求到达前重新提升至DCH状态，会导致两次多余的状态提升能耗。因此需比较E_trans和两次状态提升能耗E_pro的大小决定是否继续等待。E_trans＝p_DCH*δ′_i E_pro＝p_pro*t_delay

若E_trans>2*E_pro，切换到IDLE状态，并在t′_i+δ′_i-t_delay时刻重新状态提升至DCH；反之维持DCH状态直到数据传输请求到达开始数据传输。

δ′_i<0，预测值偏大，数据传输请求已到达但尚未完成状态提升，造成一定的传输时延。对于该种情况，为避免过多影响用户体验SmartTT采用提前预防而非发生后再进行调整的策略，一旦发现δ′_i<0则立即将t′_i修正为t′_i-|δ′_i|，之后按2中正常的尾时间调整策略进行操作。

表1 带误差修正的能耗优化策略

相对于现有的基于尾时间调优的能耗优化策略，本发明有如下优点：

从移动设备实际运行情况出发，以多应用程序并行数据传输为前提，采用复合预测模型进行数据传输时刻预测，避免应用程序单一数据传输特点简单使得预测模型简化，提高了预测准确度。考虑到尾时间调整带来的多余状态提升能耗，避免一味地降低尾能耗而导致其他的能耗开销，提高了能耗优化率；考虑到状态间切换导致的传输时延，通过提前状态提升做好数据传输准备，避免影响用户体验度；引入误差修正策略，对预测值过大和过小两种情况分别进行了调整，更大程度上保证准确度，提高了本发明的能耗优化策略性能。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种移动设备多应用程序数据传输能耗优化方法，其特征在于，包括：

利用差分自回归移动平均模型对由数据传输到达的时刻组成的原时间序列进行线性部分预测，得到所述原时间序列的残差序列；

利用神经网络模型对所述残差序列进行预测，确定复合预测模型；

根据所述复合预测模型，预测原时间序列中第一时刻的下一数据传输时刻，作为第二时刻，并根据第一时刻和其对应的尾时间的和与第二时刻的大小关系对移动设备的电平状态进行对应的调整；

所述对移动设备的电平状态进行对应的调整具体为：

当所述第一时刻和其对应的尾时间的和小于等于所述第二时刻时，则保留尾时间；

当所述第一时刻和其对应的尾时间的和大于所述第二时刻时，判断实际节省的尾能耗与状态提升能耗之间的大小关系，若所述实际节省的尾能耗小于状态提升能耗，则保留尾时间，若所述实际节省的尾能耗大于状态提升能耗，则将移动设备下降为节能状态，并在第二时刻与所述第一时刻对应的尾时间的差值对应的时刻将移动设备上升为专用信道状态。

2.根据权利要求1所述的方法，其特征在于，还包括对第二时刻进行误差修正，具体为：

根据第二时刻在原时间序列中对应的第三时刻的差值与所述第二时刻的差，得到预测误差；

当所述预测误差的值为正数时，若所述预测误差小于第一时刻的尾时间的值时，则将移动设备上升为专用信道状态并维持该状态，若所述预测误差大于第一时刻的尾时间的值时，对比传输能耗和两侧状态提升能耗的大小，若传输能耗较大，则将移动设备切换为前向接入信道状态，并在第三时刻与第一时刻对应的尾时间的差值对应的时刻，将移动设备上升为专用信道状态；

当所述预测误差的值为负数时，在数据传输请求到达前对所述第二时刻进行修正，使所述预测误差的值为正数。

3.根据权利要求1所述的方法，其特征在于，所述复合预测模型的确定过程具体包括：

检验原时间序列是否平稳，若原时间序列不平稳，则对原时间序列进行差分，直到得到原时间序列的平稳序列；

求自相关和偏自相关函数进行模型识别；

穷举参数p和q的取值空间(p，q)，拟合每一组(p，q)对应的参数；

计算对应的信息准则AIC，并选择AIC值最小的取值空间(p，q)作为模型参数建立模型进行线性部分预测；

计算残差序列，输入残差学习样本，并计算各个单元的输出和反向传播误差，根据反向传播误差按照BP模型权值修正公式调整权值和阈值，选择符合精度要求的权值和阈值对残差序列建模预测，最终得到符合预测模型。