CN107817891A - 屏幕控制方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种屏幕控制方法、装置、设备及存储介质，属于可穿戴设备技术领域。所述方法包括：当可穿戴设备的屏幕处于亮屏状态时，获取行为数据；获取时长预测模型，时长预测模型用于表示基于历史行为数据训练得到的行为规律；根据行为数据，采用时长预测模型得到屏幕的目标亮屏时长；当屏幕处于亮屏状态的持续时长达到目标亮屏时长时，将屏幕从亮屏状态切换为息屏状态。本申请通过可穿戴设备根据行为数据确定出目标亮屏时长，并基于目标亮屏时长实现对屏幕的自动息屏，降低了可穿戴设备的功耗的同时，增加了可穿戴设备的续航时间。

Description

屏幕控制方法、装置、设备及存储介质

技术领域

本申请实施例涉及可穿戴设备技术领域，特别涉及一种屏幕控制方法、装置、设备及存储介质。

背景技术

可穿戴设备是指直接穿在用户身上，或是整合到用户衣服、配饰上的一种便携式设备，主要包括智能手环、智能手表、智能眼镜、智能头盔等等。

相关技术中，用于可穿戴设备的屏幕控制方法包括：当可穿戴设备的屏幕处于亮屏状态时，若检测到对应于预设物理按键的按压操作，则可穿戴设备根据按压操作控制屏幕从亮屏状态切换为息屏状态；若可穿戴设备在预定时间段内未检测到对应于预设物理按键的按压操作，则控制屏幕从亮屏状态切换为息屏状态。

但是，在上述方法中，当用户不需要使用可穿戴设备且忘记进行相应的按压操作时，可穿戴设备将会持续很长一段时间后才会息屏，大大增加了可穿戴设备的功耗，减少了可穿戴设备的续航时间。

发明内容

为了解决相关技术中当用户忘记对预设物理按键进行按压操作，导致可穿戴设备持续很长一段时间才会息屏的问题，本申请实施例提供了一种屏幕控制方法、装置、设备及存储介质。所述技术方案如下：

第一方面，提供了一种屏幕控制方法，用于可穿戴设备中，所述方法包括：

当所述可穿戴设备的屏幕处于亮屏状态时，获取行为数据；

获取时长预测模型，所述时长预测模型用于表示基于历史行为数据训练得到的行为规律；

根据所述行为数据，采用所述时长预测模型得到所述屏幕的目标亮屏时长；

当所述屏幕处于所述亮屏状态的持续时长达到所述目标亮屏时长时，将所述屏幕从所述亮屏状态切换为息屏状态。

第二方面，提供了一种屏幕控制装置，用于可穿戴设备中，所述装置包括：

第一获取模块，用于当所述可穿戴设备的屏幕处于亮屏状态时，获取行为数据；

第二获取模块，用于获取时长预测模型，所述时长预测模型用于表示基于历史行为数据训练得到的行为规律；

确定模块，用于根据所述行为数据，采用所述时长预测模型得到所述屏幕的目标亮屏时长；

切换模块，用于当所述屏幕处于所述亮屏状态的持续时长达到所述目标亮屏时长时，将所述屏幕从所述亮屏状态切换为息屏状态。

第三方面，提供了一种可穿戴设备，所述可穿戴设备包括处理器、与所述处理器相连的存储器，以及存储在所述存储器上的程序指令，所述处理器执行所述程序指令时实现第一方面提供的屏幕控制方法。

第四方面，提供一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被处理器执行时实现第一方面提供的屏幕控制方法。

本申请实施例提供的技术方案带来的有益效果是：

通过当可穿戴设备的屏幕处于亮屏状态时，获取行为数据，根据行为数据，采用时长预测模型得到屏幕的目标亮屏时长；当屏幕处于亮屏状态的持续时长达到目标亮屏时长时，将屏幕从亮屏状态切换为息屏状态；使得可穿戴设备能够根据行为数据确定出目标亮屏时长，并基于目标亮屏时长实现对屏幕的自动息屏，避免了当用户忘记对预设物理按键进行按压操作，导致可穿戴设备持续很长一段时间才会息屏的情况，降低了可穿戴设备的功耗的同时，增加了可穿戴设备的续航时间。

附图说明

图1是本申请实施例提供的屏幕控制方法所涉及的可穿戴设备的结构示意图；

图2是本申请实施例提供的屏幕控制方法所涉及的实施环境的结构示意图；

图3是本申请一个实施例提供的屏幕控制方法的流程图；

图4是本申请另一个实施例提供的屏幕控制方法涉及的模型训练方法的流程图；

图5是本申请另一个实施例提供的屏幕控制方法的流程图；

图6是本申请一个实施例提供的屏幕控制方法涉及的原理示意图；

图7是本申请一个实施例提供的屏幕控制装置的结构示意图；

图8是本申请一个示例性实施例提供的可穿戴设备的结构方框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

首先，对本申请实施例涉及到的一些名词进行解释：

可穿戴设备：是指可穿戴在目标对象身上，具有预设功能的便携式设备。

其中，目标对象为具有运动能力的客体，包括人类、动物或者机器人等。本申请实施例中仅以目标对象为人类为例进行说明。

比如，可穿戴设备为直接穿在用户身上，或是整合到用户衣服、配饰上的一种便携式设备。

可选的，可穿戴设备包括智能手环、智能手表、智能眼镜、智能头盔中的至少一种。本申请实施例中，仅以可穿戴设备为智能手环为例进行说明。

时长预测模型：是一种用于根据输入的数据确定目标亮屏时长的数学模型。

可选地，时长预测模型包括但不限于：深度神经网络(Deep Neural Network，DNN)模型、循环神经网络(Recurrent Neural Networks，RNN)模型、嵌入(embedding)模型、梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型、逻辑回归(LogisticRegression，LR)模型中的至少一种。

DNN模型是一种深度学习框架。DNN模型包括输入层、至少一层隐层(或称，中间层)和输出层。可选地，输入层、至少一层隐层(或称，中间层)和输出层均包括至少一个神经元，神经元用于对接收到的数据进行处理。可选地，不同层之间的神经元的数量可以相同；或者，也可以不同。

RNN模型是一种具有反馈结构的神经网络。在RNN模型中，神经元的输出可以在下一个时间戳直接作用到自身，即，第i层神经元在m时刻的输入，除了(i-1)层神经元在该时刻的输出外，还包括其自身在(m-1)时刻的输出。

embedding模型是基于实体和关系分布式向量表示，将每个三元组实例中的关系看作从实体头到实体尾的翻译。其中，三元组实例包括主体、关系、客体，三元组实例可以表示成(主体，关系，客体)；主体为实体头，客体为实体尾。比如：小张的爸爸是大张，则通过三元组实例表示为(小张，爸爸，大张)。

GBDT模型是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结果累加起来作为最终结果。决策树的每个节点都会得到一个预测值，以年龄为例，预测值为属于年龄对应的节点的所有人年龄的平均值。

LR模型是指在线性回归的基础上，套用一个逻辑函数建立的模型。

请参考图1，其示出了本申请实施例提供的屏幕控制方法所涉及的可穿戴设备的结构示意图。

该可穿戴设备120为智能手环，该智能手环上包括屏幕122。

屏幕122为液晶显示屏或者OLED显示屏；示意性的，液晶显示屏包括STN(SuperTwisted Nematic，超扭曲向列)屏幕、UFB(Ultra Fine Bright)屏幕、TFD(Thin FilmDiode，薄膜二极管)屏幕、TFT(Thin Film Transistor薄膜晶体管)屏幕中的至少一种。

屏幕122的屏幕状态包括亮屏状态和息屏状态中的一种。

其中，亮屏状态为该屏幕122被启动进行显示的状态，息屏状态为该屏幕122不被启用的状态。

可穿戴设备120用于获取行为数据。该行为数据包括但不限于目标对象的生理数据、目标对象的运动数据等数据。

可选的，运动数据包括目标对象的速度、加速度和角速度中的至少一种。生理数据包括目标对象的脉搏、血压、呼吸频率、体温中的至少一种。

可穿戴设备120中包括重力传感器、光电传感器、温度传感器、振动传感器、压力传感器、加速度传感器、陀螺仪中的至少一种传感器，通过上述至少一种传感器，可穿戴设备120检测到用户的至少一种行为数据。

比如，可穿戴设备120通过加速度传感器采集的三个轴向的加速度。

可选的，可穿戴设备120中存储有时长预测模型，该时长预测模型用于表示基于历史行为数据训练得到的行为规律。

可穿戴设备120还用于根据获取到的行为数据，采用时长预测模型得到屏幕122的目标亮屏时长。当屏幕122处于亮屏状态的持续时长达到目标亮屏时长时，将屏幕122从亮屏状态切换为息屏状态。

可选的，请参考图2，可穿戴设备120通过无线网络或有线网络与终端140建立通信连接。

其中，可穿戴设备120和终端140之间通信连接的通信模式包括蓝牙、近场通信(Near Field Communication，NFC)、无线保真(Wireless-Fidelity，WiFi)、红外中的任意一种通信模式。

可选的，终端140中存储有时长预测模型，可穿戴设备120获取时长预测模型包括：在与终端140建立通信连接后，可穿戴设备120从终端140中获取时长预测模型。

终端140可以是手机、MP3播放器(Moving Picture Experts Group Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV，动态影像专家压缩标准音频层面4)播放器等设备。

可选地，在本申请实施例中，无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(HyperText Mark-up Language，HTML)、可扩展标记语言(ExtensibleMarkup Language，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Trassport LayerSecurity，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(InternetProtocol Security，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。

请参考图3，其示出了本申请一个实施例提供的屏幕控制方法的流程图。本申请实施例以该屏幕控制方法应用于图1或图2所示出的可穿戴设备120中来举例说明。该屏幕控制方法包括：

步骤301，当可穿戴设备的屏幕处于亮屏状态时，获取行为数据。

可选的，可穿戴设备实时检测屏幕的屏幕状态，或者每隔预定时间间隔检测屏幕的屏幕状态，该屏幕状态包括亮屏状态和息屏状态中的一种。

可选的，可穿戴设备通过内置的至少一种传感器实时采集行为数据，并将采集到的行为数据进行存储。其中，行为数据包括：运动数据和/或生理数据。

可穿戴设备获取行为数据包括但不限于以下两种可能的实现方式：

在一种可能的实现方式中，当可穿戴设备检测到屏幕从息屏状态切换为亮屏状态时，获取第一切换时刻的行为数据。其中，第一切换时刻为屏幕从息屏状态切换为亮屏状态的时刻。

在第二种可能的实现方式中，当可穿戴设备检测到屏幕处于亮屏状态的持续时长达到预设时长时，获取预设时长内的行为数据。其中，预设时长内的行为数据包括从第一切换时刻到获取时刻的时间段内的行为数据，获取时刻与第一切换时刻的差值绝对值为预设时长，该获取时刻大于第一切换时刻且小于第二切换时刻，第二切换时刻为屏幕从亮屏状态切换为息屏状态的时刻。

步骤302，获取时长预测模型，时长预测模型用于表示基于历史行为数据训练得到的行为规律。

在可穿戴设备获取时长预测模型之前，需要对历史行为数据进行训练得到时长预测模型。历史行为数据包括历史运动数据和/或历史生理数据。

由于时长预测模型的训练过程可以由可穿戴设备完成，也可以由终端完成，因此可穿戴设备获取时长预测模型至少包括两种可能的获取方式：

在一种可能的获取方式中，可穿戴设备中存储有时长预测模型，可穿戴设备获取自身存储的时长预测模型。

在另一种可能的获取方式中，终端中存储有时长预测模型，可穿戴设备从终端中获取时长预测模型。

本实施例对可穿戴设备获取时长预测模型的方式不加以限定。下面仅以第一种可能的获取方式为例进行说明。

需要说明的是，时长预测模型的训练过程可参考下面实施例中的相关描述，在此先不介绍。

步骤303，根据行为数据，采用时长预测模型得到屏幕的目标亮屏时长。

可穿戴设备将获取到的行为数据输入至时长预测模型，得到屏幕的目标亮屏时长。

当行为数据是采用上述第一种可能的实现方式获取到的，即行为数据为第一切换时刻的行为数据时，目标亮屏时长为从第一切换时刻到第二切换时刻的时长。

当行为数据是采用上述第二种可能的实现方式获取到的，即行为数据为预设时长内的行为数据时，目标亮屏时长为获取时刻到第二切换时刻的亮屏剩余时长。下面仅以行为数据是采用上述第一种可能的实现方式获取到的，即行为数据为第一切换时刻的行为数据为例进行说明。第二种可能的实现方式可类比参考第一种可能的实现方式，在此不再赘述。

步骤304，当屏幕处于亮屏状态的持续时长达到目标亮屏时长时，将屏幕从亮屏状态切换为息屏状态。

当屏幕处于亮屏状态的持续时长达到目标亮屏时长时，在目标时刻将屏幕从亮屏状态切换为息屏状态，目标时刻大于第一切换时刻且目标时刻与第一切花时刻的差值绝对值为目标亮屏时长。

综上所述，本申请实施例通过当可穿戴设备的屏幕处于亮屏状态时，获取行为数据，根据行为数据，采用时长预测模型得到屏幕的目标亮屏时长；当屏幕处于亮屏状态的持续时长达到目标亮屏时长时，将屏幕从亮屏状态切换为息屏状态；使得可穿戴设备能够根据行为数据确定出目标亮屏时长，并基于目标亮屏时长实现对屏幕的自动息屏，避免了当用户忘记对预设物理按键进行按压操作，导致可穿戴设备持续很长一段时间才会息屏的情况，降低了可穿戴设备的功耗的同时，增加了可穿戴设备的续航时间。

在可穿戴设备获取时长预测模型之前，可穿戴设备需要对时长预测模型进行训练。可选的，时长预测模型的训练过程包括：获取训练样本集，训练样本集包括至少一组历史行为数据组；对至少一组历史行为数据组采用误差反向传播算法进行训练，得到时长预测模型。

至少一组历史行为数据组中的每组历史行为数据组包括：历史行为数据和历史亮屏持续时长。

可选的，每组历史行为数据组对应于一段历史切换时间段，历史切换时间段包括从历史第一切换时刻到历史第二切换时刻的时间段。

至少一组历史行为数据组各自对应的历史切换时间段不存在交集。

其中，历史第一切换时刻为在第一切换时刻之前屏幕从息屏状态切换为亮屏状态的时刻，历史第二切换时刻为在历史第一切换时刻之后最近一次屏幕从亮屏状态切换为息屏状态的时刻。

当行为数据是采用上述第一种可能的实现方式获取到的，即行为数据为第一切换时刻的行为数据时，对于每组历史行为数据组，历史行为数据为可穿戴设备在历史第一切换时刻采集到的行为数据，历史亮屏持续时长为从历史第一切换时刻到历史第二切换时刻的时长。

当行为数据是采用上述第二种可能的实现方式获取到的，即行为数据为预设时长内的行为数据时，对于每组历史行为数据组，历史行为数据为可穿戴设备在历史第一切换时刻之后预设时长内采集到的行为数据，历史亮屏持续时长为历史获取时刻到历史第二切换时刻的亮屏剩余时长。

可选的，可穿戴设备获取训练样本集，包括但不限于以下两种可能的实现方式：

在一种可能的获取方式中，可穿戴设备从与可穿戴设备连接的终端中，获取训练样本集，训练样本集是由终端根据目标对象执行的历史行为记录得到的。

可选的，可穿戴设备与终端建立通信连接后，将采集到的历史行为数据发送至终端，对应的，终端接收历史行为数据，对历史行为数据进行记录并存储，得到训练样本集。

当可穿戴设备需要训练模型时，从终端中获取训练样本集。

在另一种可能的获取方式中，可穿戴设备从与可穿戴设备绑定的指定账号中，获取训练样本集，训练样本集是由终端根据目标对象执行的历史行为记录得到，并上传至服务器的指定帐号中的。

可选的，当终端对接收到的历史行为数据进行记录并存储，得到训练样本集后，将训练样本集上传至服务器中，对应的，服务器接收训练样本集并将该训练样本集存储在指定帐号中。其中，指定帐号是在服务器中用于唯一标识可穿戴设备的帐号，该指定帐号与可穿戴设备一一对应。

当可穿戴设备需要训练模型时，从可穿戴设备绑定的指定账号中获取目标对象对应的训练样本集。

可穿戴设备对至少一组历史行为数据组采用误差反向传播算法进行训练，得到时长预测模型，包括但不限于以下几个步骤，请参考图4：

步骤401，对于至少一组历史行为数据组中的每组历史行为数据组，将历史行为数据输入至原始预测模型，得到训练结果。

可选的，原始预测模型是根据神经网络模型建立的，比如：原始预测模型是根据DNN模型或者RNN模型建立的。

示意性的，对于每组历史行为数据组，可穿戴设备创建该组历史行为数据组对应的输入输出对，输入输出对的输入参数为该组历史行为数据组中的历史行为数据，输出参数为该组历史行为数据组中的历史亮屏持续时长；可穿戴设备将输入参数输入预测模型，得到训练结果。

比如，历史行为数据组包括历史行为数据A和历史亮屏持续时长“8秒”，可穿戴设备创建的输入输出对为：(历史行为数据A)->(8s)；其中，(历史行为数据A)为输入参数，(8s)为输出参数。

可选的，输入输出对通过特征向量表示。

步骤402，对于每组历史行为数据组，将训练结果与历史亮屏持续时长进行比较，得到计算损失，计算损失用于指示训练结果与历史亮屏持续时长之间的误差。

可选地，计算损失通过交叉商(cross-entropy)来表示，

可选地，可穿戴设备通过下述公式计算得到计算损失H(p，q)：

其中，p(x)和q(x)是长度相等的离散分布向量，p(x)表示表示训练结果；q(x)表示输出参数；x为训练结果或输出参数中的一个向量。

步骤403，根据至少一组历史行为数据组各自对应的计算损失，采用误差反向传播算法训练得到时长预测模型。

可选地，可穿戴设备通过反向传播算法根据计算损失确定时长预测模型的梯度方向，从时长预测模型的输出层逐层向前更新时长预测模型中的模型参数。

基于上述训练得到的时长预测模型，请参考图5，其示出了本申请一个实施例提供的屏幕控制方法的流程图。本申请实施例以该屏幕控制方法应用于图1或图2所示出的可穿戴设备120来举例说明。该屏幕控制方法包括：

步骤501，检测可穿戴设备的屏幕是否从息屏状态切换为亮屏状态。

可穿戴设备实时检测屏幕的屏幕状态，若检测到屏幕从息屏状态切换为亮屏状态，则执行步骤502；若未检测到屏幕从息屏状态切换为亮屏状态，则结束进程。

步骤502，当检测到屏幕从息屏状态切换为亮屏状态时，获取行为数据。

行为数据包括运动数据和/或生理数据，运动数据包括速度、加速度和角速度中的至少一种，生理数据包括脉搏、血压、呼吸频率、体温中的至少一种。

当检测到屏幕从息屏状态切换为亮屏状态时，可穿戴设备获取第一切花时刻的行为数据。

步骤503，获取时长预测模型，时长预测模型用于表示基于历史行为数据训练得到的行为规律。

可穿戴设备中存储有上述训练得到的时长预测模型，可穿戴设备获取存储的时长预测模型。其中，时长预测模型是根据至少一组历史行为数据组训练得到的，每组历史行为数据组包括：历史行为数据和历史亮屏持续时长。

步骤504，将运动数据和/或生理数据输入至时长预测模型中，得到屏幕的目标亮屏时长。

可穿戴设备将运动数据和/或生理数据输入至时长预测模型中，得到屏幕的目标亮屏时长。

步骤505，判断屏幕处于亮屏状态的持续时长是否达到目标亮屏时长。

可穿戴设备实时检测当前时刻是否为目标时刻，目标时刻大于第一切换时刻且目标时刻与第一切花时刻的差值绝对值为目标亮屏时长。若当前时刻为目标时刻，则执行步骤506；若当前时刻为目标时刻，则继续执行检测当前时刻是否为目标时刻的步骤。

步骤506，当屏幕处于亮屏状态的持续时长达到目标亮屏时长时，将屏幕从亮屏状态切换为息屏状态。

当屏幕处于亮屏状态的持续时长达到目标亮屏时长时，可穿戴设备在目标时刻将屏幕从亮屏状态切换为息屏状态。

在一个示意性的例子中，如图6所示，可穿戴设备训练得到时长预测模型的过程包括：可穿戴设备从与其连接的终端中获取训练样本集，该训练样本集包括至少一组历史行为数据组，每组历史行为数据组包括：历史行为数据和历史亮屏持续时长。对于每组历史行为数据组，可穿戴设备将历史行为数据输入至原始预测模型，输出得到训练结果，将训练结果与历史亮屏持续时长进行比较，得到计算损失，根据至少一组历史行为数据组各自对应的计算损失，采用误差反向传播算法训练得到时长预测模型。在训练得到的时长预测模型之后，可穿戴设备将训练得到的时长预测模型进行存储。当可穿戴设备的屏幕处于亮屏状态时，可穿戴设备获取行为数据，并获取训练得到的时长预测模型，将行为数据输入至时长预测模型，输出得到屏幕的目标亮屏时长，使得当屏幕处于亮屏状态的持续时长达到目标亮屏时长时，可穿戴设备将屏幕从亮屏状态切换为息屏状态。

可选的，可穿戴设备在确定出目标亮屏时长之后，将行为数据和目标亮屏时长添加至训练样本集，得到更新后的训练样本集，根据更新后的训练样本集对时长预测模型进行训练，得到更新后的时长预测模型。

其中，根据更新后的训练样本集对时长预测模型进行训练，得到更新后的时长预测模型的过程可类比参考上述实施例中时长预测模型的训练过程，在此不再赘述。

综上所述，在本申请实施例中，还通过将运动数据和/或生理数据输入至时长预测模型中，得到屏幕的目标亮屏时长，使得屏幕的目标亮屏时长不是预先设置的固定时长，而是根据用户的运动数据和/或生理数据确定的，进而使得基于目标亮屏时长的自动息屏更加符合用户的个性化需求。

在本申请实施例中，还通过将行为数据和目标亮屏时长添加至训练样本集，得到更新后的训练样本集，根据更新后的训练样本集对时长预测模型进行训练，得到更新后的时长预测模型，使得可穿戴设备可以根据新的训练样本不断提高时长预测模型的精度，提高了可穿戴设备确定目标亮屏时长的准确性。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参考图7，其示出了本申请一个实施例提供的屏幕控制装置的结构示意图。该屏幕控制装置可以通过专用硬件电路，或者，软硬件的结合实现成为图1或图2中的可穿戴设备120的全部或一部分，该屏幕控制装置包括：第一获取模块710、第二获取模块720、确定模块730和切换模块740。

第一获取模块710，用于当可穿戴设备的屏幕处于亮屏状态时，获取行为数据；

第二获取模块720，用于获取时长预测模型，时长预测模型用于表示基于历史行为数据训练得到的行为规律；

确定模块730，用于根据行为数据，采用时长预测模型得到屏幕的目标亮屏时长；

切换模块740，用于当屏幕处于亮屏状态的持续时长达到目标亮屏时长时，将屏幕从亮屏状态切换为息屏状态。

可选的。行为数据包括运动数据和/或生理数据，运动数据包括速度、加速度和角速度中的至少一种，生理数据包括脉搏、血压、呼吸频率、体温中的至少一种，

确定模块730，还用于将运动数据和/或生理数据输入至时长预测模型中，得到屏幕的目标亮屏时长；

其中，时长预测模型是根据至少一组历史行为数据组训练得到的，每组历史行为数据组包括：历史行为数据和历史亮屏持续时长。

可选的，第二获取模块720，包括：获取单元和训练单元；

获取单元，用于获取训练样本集，训练样本集包括至少一组历史行为数据组，每组历史行为数据组包括：历史行为数据和历史亮屏持续时长；

训练单元，用于对至少一组历史行为数据组采用误差反向传播算法进行训练，得到时长预测模型。

可选的，获取单元，还用于从与可穿戴设备连接的终端中，获取训练样本集，训练样本集是由终端根据历史行为数据记录得到的；或，从与可穿戴设备绑定的指定账号中，获取训练样本集，训练样本集是由终端根据历史行为数据记录得到，并上传至服务器的指定帐号中的。

可选的，训练单元，还用于对于至少一组历史行为数据组中的每组历史行为数据组，将历史行为数据输入至原始预测模型，得到训练结果；对于每组历史行为数据组，将训练结果与历史亮屏持续时长进行比较，得到计算损失，计算损失用于指示训练结果与历史亮屏持续时长之间的误差；根据至少一组历史行为数据组各自对应的计算损失，采用误差反向传播算法训练得到时长预测模型。

可选的，该装置还包括：添加模块和更新模型；

添加模块，用于将行为数据和目标亮屏时长添加至训练样本集，得到更新后的训练样本集；

更新模块，用于根据更新后的训练样本集对时长预测模型进行训练，得到更新后的时长预测模型。

相关细节可结合参考图1至图6所示的方法实施例。其中，第一获取模块710和第二获取模块720还用于实现上述方法实施例中其他任意隐含或公开的与获取步骤相关的功能；确定模块730还用于实现上述方法实施例中其他任意隐含或公开的与确定步骤相关的功能；切换模块740还用于实现上述方法实施例中其他任意隐含或公开的与切换步骤相关的功能。

需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请还提供一种计算机可读介质，其上存储有程序指令，程序指令被处理器执行时实现上述各个方法实施例提供的屏幕控制方法。

本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个实施例所述的屏幕控制方法。

请参考图8，其示出了本申请一个示例性实施例提供的可穿戴设备的结构方框图。该可穿戴设备为图1或图2中的可穿戴设备120。该可穿戴设备可以包括一个或多个如下部件：处理器810和存储器820。

处理器810可以包括一个或者多个处理核心。处理器810利用各种接口和线路连接整个电梯调度设备内的各个部分，通过运行或执行存储在存储器820内的指令、程序、代码集或指令集，以及调用存储在存储器820内的数据，执行电梯调度设备的各种功能和处理数据。可选地，处理器810可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrammableLogic Array，PLA)中的至少一种硬件形式来实现。处理器810可集成中央处理器(CentralProcessing Unit，CPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器810中，单独通过一块芯片进行实现。

可选地，处理器810执行存储器820中的程序指令时实现下上述各个方法实施例提供的屏幕控制方法。

存储器820可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选地，该存储器820包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器820可用于存储指令、程序、代码、代码集或指令集。存储器820可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储根据电梯调度设备的使用所创建的数据等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种屏幕控制方法，其特征在于，用于可穿戴设备中，所述方法包括：

当所述可穿戴设备的屏幕处于亮屏状态时，获取行为数据；

获取时长预测模型，所述时长预测模型用于表示基于历史行为数据训练得到的行为规律；

根据所述行为数据，采用所述时长预测模型得到所述屏幕的目标亮屏时长；

当所述屏幕处于所述亮屏状态的持续时长达到所述目标亮屏时长时，将所述屏幕从所述亮屏状态切换为息屏状态。

2.根据权利要求1所述的方法，其特征在于，所述行为数据包括运动数据和/或生理数据，所述运动数据包括速度、加速度和角速度中的至少一种，所述生理数据包括脉搏、血压、呼吸频率、体温中的至少一种，

所述根据所述行为数据，采用所述时长预测模型得到所述屏幕的目标亮屏时长，包括：

将所述运动数据和/或所述生理数据输入至所述时长预测模型中，得到所述屏幕的目标亮屏时长；

其中，所述时长预测模型是根据至少一组历史行为数据组训练得到的，每组所述历史行为数据组包括：所述历史行为数据和历史亮屏持续时长。

3.根据权利要求1或2所述的方法，其特征在于，所述获取时长预测模型，包括：

获取训练样本集，所述训练样本集包括至少一组历史行为数据组，每组所述历史行为数据组包括：所述历史行为数据和历史亮屏持续时长；

对所述至少一组历史行为数据组采用误差反向传播算法进行训练，得到所述时长预测模型。

4.根据权利要求3所述的方法，其特征在于，所述获取训练样本集，包括：

从与所述可穿戴设备连接的终端中，获取所述训练样本集，所述训练样本集是由所述终端根据所述历史行为数据记录得到的；或，

从与所述可穿戴设备绑定的指定账号中，获取所述训练样本集，所述训练样本集是由所述终端根据所述历史行为数据记录得到，并上传至服务器的所述指定帐号中的。

5.根据权利要求3所述的方法，其特征在于，所述对所述至少一组历史行为数据组采用误差反向传播算法进行训练，得到所述时长预测模型，包括：

对于所述至少一组历史行为数据组中的每组所述历史行为数据组，将所述历史行为数据输入至原始预测模型，得到训练结果；

对于每组所述历史行为数据组，将所述训练结果与所述历史亮屏持续时长进行比较，得到计算损失，所述计算损失用于指示所述训练结果与所述历史亮屏持续时长之间的误差；

根据所述至少一组历史行为数据组各自对应的计算损失，采用所述误差反向传播算法训练得到所述时长预测模型。

6.根据权利要求3所述的方法，其特征在于，所述根据所述行为数据，采用所述时长预测模型得到所述屏幕的目标亮屏时长之后，还包括：

将所述行为数据和所述目标亮屏时长添加至所述训练样本集，得到更新后的所述训练样本集；

根据更新后的所述训练样本集对所述时长预测模型进行训练，得到更新后的所述时长预测模型。

7.一种屏幕控制装置，其特征在于，用于可穿戴设备中，所述装置包括：

第一获取模块，用于当所述可穿戴设备的屏幕处于亮屏状态时，获取行为数据；

第二获取模块，用于获取时长预测模型，所述时长预测模型用于表示基于历史行为数据训练得到的行为规律；

确定模块，用于根据所述行为数据，采用所述时长预测模型得到所述屏幕的目标亮屏时长；

切换模块，用于当所述屏幕处于所述亮屏状态的持续时长达到所述目标亮屏时长时，将所述屏幕从所述亮屏状态切换为息屏状态。

8.根据权利要求7所述的装置，其特征在于，所述行为数据包括运动数据和/或生理数据，所述运动数据包括速度、加速度和角速度中的至少一种，所述生理数据包括脉搏、血压、呼吸频率、体温中的至少一种，

所述确定模块，还用于将所述运动数据和/或所述生理数据输入至所述时长预测模型中，得到所述屏幕的目标亮屏时长；

其中，所述时长预测模型是根据至少一组历史行为数据组训练得到的，每组所述历史行为数据组包括：所述历史行为数据和历史亮屏持续时长。

9.根据权利要求7或8所述的装置，其特征在于，所述第二获取模块，包括：获取单元和训练单元；

所述获取单元，用于获取训练样本集，所述训练样本集包括至少一组历史行为数据组，每组所述历史行为数据组包括：所述历史行为数据和历史亮屏持续时长；

所述训练单元，用于对所述至少一组历史行为数据组采用误差反向传播算法进行训练，得到所述时长预测模型。

10.根据权利要求9所述的装置，其特征在于，所述装置，还包括：添加模块和更新模块；

所述添加模块，用于将所述行为数据和所述目标亮屏时长添加至所述训练样本集，得到更新后的所述训练样本集；

是更新模块，用于根据更新后的所述训练样本集对所述时长预测模型进行训练，得到更新后的所述时长预测模型。

11.一种可穿戴设备，其特征在于，所述可穿戴设备包括处理器、与所述处理器相连的存储器，以及存储在所述存储器上的程序指令，所述处理器执行所述程序指令时实现如权利要求1至6任一所述的屏幕控制方法。

12.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被处理器执行时实现如权利要求1至6任一所述的屏幕控制方法。