CN108376028A - 基于用户行为和系统状态预测移动设备电池续航的方法 - Google Patents

Abstract

本发明提供一种基于用户行为和系统状态预测移动设备电池续航的方法，包括以下步骤：提取会话，根据需要保留符合条件的会话作为基本单元；从这些会话中随机选取一时间点，作为预测时间点；然后提取从会话开始直至预测时间点范围内的用户使用行为数据及系统状态信息，从中整理、抽取特征信息并将其组成特征向量；构造训练集；选取回归模型，以每个会话的特征向量作为输入，以预测时间点之后的实际续航时间作为输出进行训练；得到训练模型后，将待预测的会话的相应数据同样进行特征提取，以构造的训练集作为输入，得到的输出作为对待预测会话的续航时间的预测。从而准确预测移动设备的电池续航时间。

Description

基于用户行为和系统状态预测移动设备电池续航的方法

技术领域

本发明涉及通信技术领域，尤其涉及移动设备电源管理，具体是一种基于移动设备用户的使用行为信息和设备状态信息提取特征，然后基于该特征利用回归算法对移动设备的电池续航进行预测的方法。

背景技术

移动设备(例如智能手机、平板电脑、可穿戴设备等)自问世以来已经得到了极大地发展。

在硬件能力飞速提高的同时，移动设备能够提供的软件功能也日益丰富和强大，逐渐覆盖到人们日常生活的方方面面。移动设备能够为用户提供的服务在种类上、性能上和用户体验上都已经达到了一个很高的水准。

然而，与此同时，电池技术的发展却远远没有跟上移动设备的软硬件发展。硬件性能的提升、软件功能的复杂都会导致移动设备的耗电速度大幅提高，但是电池在能量密度方面始终没有革命性的突破。此外，由于移动设备需要尽可能地缩小体积、减少重量以增加其便携性，电池能够使用的设备内部空间不断被压缩，也就造成了电池的体积不断减小，从而进一步导致电池可以容纳的总电量变少。因此，移动设备目前面临的最大瓶颈是电池续航时间不能满足用户的日常使用需要。

除了进一步提高电池容量、加快充电速度、减少移动设备的软硬件能耗等延长电池续航时间的方法之外，为用户提供电池续航时间的估计是另外一种缓解上述问题、改善用户使用体验的方式。

如果用户能够较为准确地了解移动设备电池的剩余使用时间，则用户可以有针对性地调整其使用策略。例如，用户可以在预先了解电池续航时间的情况下更为有效地安排其使用，比如在确认电池续航是否足够之后选择是否使用GPS进行导航、在了解到电量即将耗尽时优先完成重要性高的任务。或者，用户可以在预先了解到电池即将耗尽电量时主动寻找充电机会，例如寻找插座或者充电宝。在续航时间难以产生重大突破的前提下，预测电池的续航时间具有极大的实际意义。

而目前针对移动设备续航时间进行预测的方法，往往由于依据的数据不够全面、或者使用的方法较为简单，导致不能准确地预测续航时间，给予使用者错误的信息，有可能因此影响使用者的正常使用，甚至耽搁重要的事务。故需要一种系统化利用用户使用行为和系统状态信息预测移动设备的电池续航时间的方法。

发明内容

针对上述问题，本发明的目的是提供一种基于用户行为和系统状态预测移动设备电池续航的方法，通过提取用户使用行为数据和系统状态信息中的特征，利用回归算法进行训练，从而准确预测移动设备的电池续航时间。

为达上述目的，本发明采取的技术方案是：

一种基于用户行为和系统状态预测移动设备电池续航的方法，包括以下步骤：

提取移动设备持续处于放电状态的使用时间作为会话，保留长度超过一时间阈值且结束时电量低于电量阈值的会话作为基本单元；

从作为基本单元的各会话中随机选取一时间点，作为预测时间点；

对于每个选取了预测时间点的会话，提取从会话开始直至预测时间点范围内的用户使用行为数据及系统状态信息，从用户使用行为数据及系统状态信息中整理、抽取特征信息并将其组成特征向量；

以会话及其对应的预测时间点和特征向量作为训练集；

选取若干回归模型，以每个会话的训练集作为输入，以预测时间点之后的实际续航时间作为输出，训练回归模型；

通过训练得到的回归模型，将每一个待预测的会话的相应数据按照同上的方式进行特征提取，然后以提取得到的特征向量作为输入，得到回归模型的输出作为对待预测会话的续航时间的预测。

进一步地，所述用户使用行为数据包括：应用使用记录及用户与系统的交互事件。

所述应用使用记录包括系统运行的应用在各个时刻占用的系统资源量；

所述用户与系统的交互事件包括点亮屏幕、启动应用及拨打电话。

进一步地，所述系统状态信息包括：传感器读数、系统事件及硬件状态信息。

所述传感器读数包括加速度计、磁力计及GPS的读数；

所述系统事件包括电话呼入、闹钟提醒及应用推送；

所述硬件状态信息包括内存占用量、CPU占用率、充放电状态及电池电量。

进一步地，所述时间阀值选取范围设定为20分钟至90分钟，所述电量阈值选取范围设定为10％至50％。

进一步地，所述特征信息包括：

描述在预测发起时用户所处的上下文信息以及设备状态；

描述用户在当前会话内截止至预测时间点的历史使用行为；

描述用户在之前的会话当中的使用行为。

进一步地，所述回归模型的训练器由Python脚本实现，内部使用scikit-learn库的RandomForestRegressor类和/或GradientBoostingRegressor类和/或XGBoost库中的XGBoost类，以每个会话作为数据点，以每个会话的特征向量和实际续航时间作为输入进行训练。

一种服务器，其包括存储器和处理器，所述存储器存储计算机程序，所述程序被配置为由所述处理器执行，所述程序包括用于执行前述方法中各步骤的指令。

一种存储计算机程序的计算机可读存储介质，所述计算机程序包括指令，所述指令当由服务器的处理器执行时使得所述服务器执行前述方法中的各个步骤。

通过采取上述技术方案，本发明以用户的使用行为数据和移动设备的系统状态信息提取特征进行机器学习，从对移动设备电池的续航时间进行预测。通过对各类型数据进行整体、系统性的分析，提高了预测的准确性，并且对于应用的场景没有限制，在任何搭载类似系统、能够收集类似数据的设备上，以及在任何用户使用场景下都可以应用本方法进行模型训练和电池续航时间预测。

附图说明

图1为本发明一实施例中基于用户行为和系统状态预测移动设备电池续航的方法的流程架构图。

具体实施方式

工作原理：

通过分析用户的使用行为数据和移动设备的系统状态信息，可以作为对电池的续航时间进行预测的可靠依据。

一方面，由于电量消耗的直接产生源头是移动设备硬件，因此通过了解与硬件相关的系统状态信息，可以最为直接、准确地估计电池电量消耗的速度。另一方面，通过对用户使用数据和移动设备的系统状态信息共同进行分析，可以了解用户的使用习惯，一定程度上预测用户在未来的使用行为，从而能够进一步帮助预测电池的续航时间。

目前，由于移动设备的软硬件系统非常复杂，产生的数据在种类上、形态上和数量上都非常巨大，因此很难通过对单一或小部分信息进行分析的方法来预测电池续航，而是需要通过对各类型数据进行整体、系统性的分析，来预测电池的续航时间。

本申请正是基于上述工作原理提供了一种基于原始的用户使用行为数据和系统状态信息进行电池续航预测的方法。具体而言，方法通过包括数据描述、硬件部署、具体软件的三方面的部署实现。下面，结合附图对于本申请的方法的具体实施过程进行说明，以便审查员及业内人士更准确、全面地理解本申请的技术方案及有益效果。

如图1所示，在一实施例中，具体提供基于用户行为和系统状态预测移动设备电池续航的方法的各方面部署及实现过程，主要包括以下步骤：

1)会话抽取：

一个用户使用移动设备的“会话”指一段连续的、处于放电状态的使用时间。该步骤根据系统状态信息中的充放电状态信息，整理得到符合上述定义的会话，并只保留长度超过一定阈值、并且结束时电量水平低于一定时间阈值的会话，作为后续模型训练和电池续航预测的基本单元。要求会话结束时电量水平低于一定电量阈值是为了保证训练所用的会话在结束时较为接近电池耗尽状态。根据目前智能设备用户的使用习惯以及各种智能设备对于“电量低”这一事件的定义，这里的时间阈值设定例如为1小时，可根据需要将时间阀值选取范围设定为20分钟至90分钟，电量阈值设定例如为20％，可根据需要将电量阀值选取范围设定为10％至50％。

2)数据预处理：

在上一步中提取到的每一个会话中随机选取一个时间点，作为电池续航的预测时间点(即，预测从随机选取的时间点开始计算电池剩余的续航时间)。

3)特征抽取：

对于每个已经选取了预测时间点的会话，从原始数据，即从移动智能设备上收集的、没有经过任何处理的数据中提取从会话开始直至预测时间点范围内的所有种类的数据(包含用户使用行为数据、系统状态信息及采样时间信息，例如，提取发生时间属于上述范围的电话呼入事件)。然后，从属于当前会话的数据当中整理、抽取出特征信息(例如，从会话开始到预测时间点已经经过的时长、从会话开始到预测时间点发生的点亮屏幕事件的次数、预测时间点之前5分钟范围内的各种传感器的平均读数等等)，并将所有提出得到的特征以拼接的方式组成一个N维向量。经过上述处理后的会话，以及其对应的预测时间点和特征向量共同组成训练集。

4)模型训练：

在得到训练集后，选取若干回归模型，以每个会话的特征向量作为输入，以预测时间点之后的实际电池续航时间作为输出，训练回归模型。

5)预测电池续航时间：

利用训练得到的回归模型，将每一个待预测的会话的相应数据按照同上的方式进行特征提取，然后将提取得到的特征向量输入模型，模型的输出即为对当前会话的电池续航时间的预测。

对于上述步骤执行过程中的数据描述：

本实施例中使用的数据来自于一个开源的Android手机用户使用数据集Sherlock。在其它平台的数据集(例如LiveLab数据集)上也可以实施部署本方法。各部分内容均为文本文件，从收集数据的方式上分为以下两种：

基于轮询收集的数据，即通过以一定的时间间隔读取系统信息然后进行整理所得到的数据。

基于事件驱动收集的数据，即在系统发生某些特定事件时对事件进行记录、整理得到的数据。

上述两部分数据包含在全部用户使用行为数据和系统状态信息。

具体而言，通过上述的手机方式获得的数据包括：

用户使用行为数据，包括：

应用使用记录：各个应用在各个时刻占用的系统资源量(CPU、内存等)。

用户与系统的交互事件：点亮屏幕、拨打电话等。

系统状态信息，包括：

传感器读数：加速度计、磁力计、GPS等。

系统事件：电话呼入、闹钟提醒等。

硬件状态信息：内存占用量，CPU占用率，充放电状态，电池电量等。

上述所有数据均包含采样该数据的时间信息。

本实施例实现的硬件部署：

所需硬件环境为一台装有Ubuntu16.04LTS的服务器。除此环境外，任何能够运行Python、Java、C++等任一种语言和运行任何一种Linux系统(如Debian、CentOS、RedHat等)的计算环境(如服务器、PC、虚拟机等)均可以实施部署本方法。所有源数据与软件均部署在该服务器上。

本实施例实现的软件支持：

软件部署由以下部分组成：

1)数据预处理器。数据预处理器由Python脚本、Ubuntu指令及一个统一控制的脚本文件构成。Python脚本也可以由Java程序、C++程序等高级语言程序代替。数据预处理器以原始的文本数据为输入，然后生成会话。所述会话定义为移动设备持续处于放电状态的使用时间，根据硬件状态信息中的充放电状态信息提取。

然后，数据预处理器对会话进行筛选，目标是保留长度超过一定阈值(例如1小时)、并且结束时电量水平低于一定阈值(例如20％)的会话，以保证训练、预测过程较为可靠。最后，从会话中随机选取预测时间点，并计算从预测时间点到会话结束时的续航时间。

2)特征抽取器。特征抽取器由Python脚本实现，任务是从原始数据当中抽取对应于每个会话的数据，并从数据中抽取特征，组成特征向量。特征主要包含三个大类：

在预测时间点的特征，包括当前时间、当前剩余电量等。该部分特征用户描述在预测发起时用户所处的上下文信息以及设备状态。

从会话开始到预测时间点的时间段内的特征，包括已经经过的时间、已经消耗的电量等。该部分特征描述用户在当前会话内截止至预测时间点的历史使用行为。

用户在过去的行为特征，包括用户在当前会话之前的平均会话长度等。该部分用户特征描述用户在之前的会话当中的使用行为，即用户过去的使用习惯。

3)训练器。训练器由Python脚本实现，内部使用了scikit-learn库的RandomForestRegressor和GradientBoostingRegressor类，以及XGBoost库中的XGBoost类。以每个会话作为数据点，以上述步骤当中得到的特征向量和实际续航时间作为输入，训练预测模型。

4)预测器。对于每一个待预测的会话，预测器首先通过数据预处理器和特征抽取器抽取其特征，然后将得到的特征输入训练好的模型，产生的结果即为对该会话电池续航时间的预测结果。本方法得到的预测结果可以比仅依靠当前剩余电量预测剩余电池使用时间的方法在准确度上提高半小时。

通过上述面的技术方案，通过实施本实施例中的方法可以比仅依靠当前剩余电量预测剩余电池使用时间的方法在准确度上提高半小时。在基于排序的评价指标(例如Kendall’s Tau、Concordance Index)下可以提高10％以上。

另外，上述方法可通过可执行程序的形式实现，程序可以存储于计算机可读存储介质，也可以通过处理器执行。

尽管为说明目的公开了本发明的具体实施例和附图，其目的在于帮助理解本发明的内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (10)

1.一种基于用户行为和系统状态预测移动设备电池续航的方法，包括以下步骤：

提取移动设备持续处于放电状态的使用时间作为会话，保留长度超过一时间阈值且结束时电量低于电量阈值的会话作为基本单元；

从作为基本单元的各会话中随机选取一时间点，作为预测时间点；

对于每个选取了预测时间点的会话，提取从会话开始直至预测时间点范围内的用户使用行为数据及系统状态信息，从用户使用行为数据及系统状态信息中整理、抽取特征信息并将其组成特征向量；

以会话及其对应的预测时间点和特征向量作为训练集；

选取若干回归模型，以每个会话的训练集作为输入，以预测时间点之后的实际续航时间作为输出，训练回归模型；

通过训练得到的回归模型，将每一个待预测的会话的相应数据按照同上的方式进行特征提取，然后以提取得到的特征向量作为输入，得到回归模型的输出作为对待预测会话的续航时间的预测。

2.如权利要求1所述的基于用户行为和系统状态预测移动设备电池续航的方法，其特征在于，所述用户使用行为数据包括：应用使用记录及用户与系统的交互事件。

3.如权利要求2所述的基于用户行为和系统状态预测移动设备电池续航的方法，其特征在于，所述应用使用记录包括系统运行的应用在各个时刻占用的系统资源量；

所述用户与系统的交互事件包括点亮屏幕、启动应用及拨打电话。

4.如权利要求1所述的基于用户行为和系统状态预测移动设备电池续航的方法，其特征在于，所述系统状态信息包括：传感器读数、系统事件及硬件状态信息。

5.如权利要求4所述的基于用户行为和系统状态预测移动设备电池续航的方法，其特征在于，所述传感器读数包括加速度计、磁力计及GPS的读数；

所述系统事件包括电话呼入、闹钟提醒及应用推送；

所述硬件状态信息包括内存占用量、CPU占用率、充放电状态及电池电量。

6.如权利要求1所述的基于用户行为和系统状态预测移动设备电池续航的方法，其特征在于，所述时间阀值选取范围设定为20分钟至90分钟，所述电量阈值选取范围设定为10％至50％。

7.如权利要求1所述的基于用户行为和系统状态预测移动设备电池续航的方法，其特征在于，所述特征信息包括：

描述在预测发起时用户所处的上下文信息以及设备状态；

描述用户在当前会话内截止至预测时间点的历史使用行为；

描述用户在之前的会话当中的使用行为。

8.如权利要求1所述的基于用户行为和系统状态预测移动设备电池续航的方法，其特征在于，所述回归模型的训练器由Python脚本实现，内部使用scikit-learn库的RandomForestRegressor类和/或GradientBoostingRegressor类和/或XGBoost库中的XGBoost类，以每个会话作为数据点，以每个会话的特征向量和实际续航时间作为输入进行训练。

9.一种服务器，其包括存储器和处理器，所述存储器存储计算机程序，所述程序被配置为由所述处理器执行，所述程序包括用于执行权利要求1至8中任一项所述方法中各步骤的指令。

10.一种存储计算机程序的计算机可读存储介质，所述计算机程序包括指令，所述指令当由服务器的处理器执行时使得所述服务器执行权利要求1至8中任一项所述方法中的各个步骤。