CN111708427B - 管理终端的方法和终端 - Google Patents

管理终端的方法和终端 Download PDF

Info

Publication number
CN111708427B
CN111708427B CN202010475267.1A CN202010475267A CN111708427B CN 111708427 B CN111708427 B CN 111708427B CN 202010475267 A CN202010475267 A CN 202010475267A CN 111708427 B CN111708427 B CN 111708427B
Authority
CN
China
Prior art keywords
terminal
charging
artificial intelligence
electric quantity
predetermined
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010475267.1A
Other languages
English (en)
Other versions
CN111708427A (zh
Inventor
香世杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Guangzhou Mobile R&D Center
Samsung Electronics Co Ltd
Original Assignee
Samsung Guangzhou Mobile R&D Center
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Samsung Guangzhou Mobile R&D Center, Samsung Electronics Co Ltd filed Critical Samsung Guangzhou Mobile R&D Center
Priority to CN202010475267.1A priority Critical patent/CN111708427B/zh
Publication of CN111708427A publication Critical patent/CN111708427A/zh
Priority to PCT/KR2020/014767 priority patent/WO2021241814A1/en
Priority to US17/109,706 priority patent/US11422607B2/en
Application granted granted Critical
Publication of CN111708427B publication Critical patent/CN111708427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/329—Power saving characterised by the action undertaken by task scheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • G06F1/3212—Monitoring battery levels, e.g. power saving mode being initiated when battery voltage goes below a certain level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

提供一种管理终端的方法和终端，所述方法包括：收集用户使用数据；当终端处于预定充电状态时，利用所述用户使用数据执行人工智能相关的运算。根据所述管理终端的方法和终端，能够自适应选择执行人工智能相关的运算的时机，以达到兼顾智能运算的稳定性和降低终端的功耗的技术效果。

Description

管理终端的方法和终端
技术领域
本发明总体来说涉及终端管理领域，更具体地讲，涉及一种管理终端的方法和终端。
背景技术
随着嵌入式神经网络处理器芯片的出现，越来越多的人工智能技术实现方案从云端侧人工智能(On Cloud AI)转移发展为终端侧人工智能(On Device AI)，预计未来几年内，智能终端设备会承载更多人工智能运算的任务。
然而，当智能终端设备进行大规模数据量的人工智能运算时，由于运算过程会占据较长的时间以及运算的用电需求较大，因此会导致智能终端设备的功耗增加且电量急剧下降。如果智能终端设备在运算初始阶段处于低电状态，会存在掉电的风险，无法保证运算的连续性和稳定性。另一方面，如果只是单纯通过搭载更大容量的电池来解决上述问题，不仅成本增加，同时还可能使得智能终端设备的外观设计变得厚重，而经常使用移动电源充电使得便利性降低，用户的体验度大打折扣。
发明内容
本发明的示例性实施例在于提供一种管理终端的方法和终端，其能够克服智能终端设备在进行大规模数据量计算时电池电量无法满足计算用电需求的缺陷。
根据本发明的示例性实施例的一方面，提供一种管理终端的方法，包括：收集用户使用数据；当终端处于预定充电状态时，利用所述用户使用数据执行人工智能相关的运算。
可选地，所述预定充电状态指示满足以下状态中的至少一个：当前电量大于预设阈值的充电阶段、预定供电方式的充电、实时充入电量大于实时消耗电量的充电阶段、预定时间段内的充电、根据算法预测出满足预定充电情况的充电。
可选地，所述方法还包括：获取终端的充电参数，基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数。
可选地，通过以下方式来根据预定算法预测满足预定充电情况的充电：获取终端的历史充电数据，基于终端的历史充电数据，根据预定算法预测当前充电的趋势，判断所述趋势是否满足预定充电情况，将所述趋势满足预定充电情况时的充电确定为满足预定充电情况的充电，其中，所述满足预定充电情况为在充电期间能够满足执行所述人工智能相关的运算而不影响用户充电需求的情况。
可选地，判断所述趋势是否满足预定充电情况，包括：判断在充电期间执行所述人工智能相关的运算是否不会导致电量的减少，如果在充电期间执行所述人工智能相关的运算不会导致电量的减少，则确定所述趋势满足预定充电情况。
可选地，所述历史充电数据包括以下项中的至少一项：执行充电的时间段、充电时长、供电方式、充电期间终端的耗电情况和终端耗电模式。
可选地，所述方法还包括：确定终端是否处于预定充电状态，其中，确定终端是否处于预定充电状态，包括：确定向后预定时长内终端的可充入电量减去终端的待充电量再减去终端的耗电量得到的差值是否大于执行所述人工智能相关的运算所需消耗的电量，如果所述差值大于执行所述人工智能相关的运算所需消耗的电量，则确定终端处于预定充电状态，其中，所述终端的可充入电量为终端在所述预定时长内将被充入的电量，所述终端的待充电量为终端被充电时的目标电量与终端当前的电量的差值，所述终端的耗电量为在所述预定时长内终端不执行所述人工智能相关的运算时所需消耗的电量。
可选地，所述人工智能相关的运算包括机器学习模型的训练，所述基于所述充电参数控制终端执行所述人工智能相关的运算所使用的参数的步骤包括：基于终端的充电参数控制终端执行所述机器学习模型的训练时使用的训练学习率，其中，所述训练学习率指示所述机器学习模型的目标函数与目标函数的最小值之间移动的步长。
可选地，所述预定时间段内的充电包括预定时间段内预定模式的充电。
可选地，所述执行所述人工智能相关的运算所需消耗的电量为执行一个人工智能相关的运算的最低运算量所需的电量。
可选地，所述目标电量为在当前时段下用户习惯将终端充电到的电量。
根据本发明示例性实施例的另一方面，提供一种终端，包括：采集器；处理器，被配置为：控制采集器收集用户使用数据；当终端处于预定充电状态时，利用所述用户使用数据执行人工智能相关的运算。
可选地，所述预定充电状态指示满足以下状态中的至少一个：当前电量大于预设阈值的充电阶段、预定供电方式的充电、实时充入电量大于实时消耗电量的充电阶段、预定时间段内的充电、根据算法预测出满足预定充电情况的充电。
可选地，所述处理器还被配置为：获取终端的充电参数，基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数。
可选地，处理器被配置：获取终端的历史充电数据，基于终端的历史充电数据，根据预定算法预测当前充电的趋势，判断所述趋势是否满足预定充电情况，将所述趋势满足预定充电情况时的充电确定为满足预定充电情况的充电，其中，所述满足预定充电情况为在充电期间能够满足执行所述人工智能相关的运算而不影响用户充电需求的情况。
可选地，处理器被配置为：判断在充电期间执行所述人工智能相关的运算是否不会导致电量的减少，如果在充电期间执行所述人工智能相关的运算不会导致电量的减少，则确定所述趋势满足预定充电情况。
可选地，所述历史充电数据包括以下项中的至少一项：执行充电的时间段、充电时长、供电方式、充电期间终端的耗电情况和终端耗电模式。
可选地，处理器还被配置为：确定终端是否处于预定充电状态，其中，处理器被配置为：确定向后预定时长内终端的可充入电量减去终端的待充电量再减去终端的耗电量得到的差值是否大于执行所述人工智能相关的运算所需消耗的电量，如果所述差值大于执行所述人工智能相关的运算所需消耗的电量，则确定终端处于预定充电状态，其中，所述终端的可充入电量为终端在所述预定时长内将被充入的电量，所述终端的待充电量为终端被充电时的目标电量与终端当前的电量的差值，所述终端的耗电量为在所述预定时长内终端不执行所述人工智能相关的运算时所需消耗的电量。
可选地，所述人工智能相关的运算包括机器学习模型的训练，处理器被配置为：基于终端的充电参数控制终端执行所述机器学习模型的训练时使用的训练学习率，其中，所述训练学习率指示所述机器学习模型的目标函数与目标函数的最小值之间移动的步长。
可选地，，所述预定时间段内的充电包括预定时间段内预定模式的充电。
可选地，所述执行所述人工智能相关的运算所需消耗的电量为执行一个人工智能相关的运算的最低运算量所需的电量。
可选地，所述目标电量为在当前时段下用户习惯将终端充电到的电量。
根据本发明示例性实施例的另一方面，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现根据本发明的管理终端的方法。
根据本发明示例性实施例的管理终端的方法和终端，能够自适应选择执行人工智能相关的运算的时机，以达到兼顾智能运算的稳定性和降低终端的功耗的技术效果。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的详细描述，本发明示例性实施例的上述和其他目的将会变得更加清楚，其中：
图1示出根据本发明示例性实施例的管理终端的方法的流程图；
图2示出根据本发明示例性实施例的终端的框图。
具体实施方式
现将详细参照本发明的示例性实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。
图1示出根据本发明示例性实施例的管理终端的方法的流程图。这里，作为示例，所述终端可以是智能手机、平板电脑、个人计算机、多媒体播放器等具有人工智能运算功能的电子设备。
如图1所示，在步骤S100，收集用户使用数据。这里，收集的用户使用数据可以是用户在终端上的使用数据，例如但不限于，用户使用终端期间的终端的亮灭屏数据、开关机数据、播放器使用数据、浏览器使用数据等。
附加地，所述方法还可包括确定终端是否处于预定充电状态的步骤，具体地，在步骤S200，确定终端是否处于预定充电状态。
作为示例，所述预定充电状态指示满足以下状态中的至少一个：当前电量大于预设阈值的充电阶段、预定供电方式的充电、实时充入电量大于实时消耗电量的充电阶段、预定时间段内的充电、根据预定算法预测出满足预定充电情况的充电。
例如，假设预设阈值为电池电量的40％的电量时，当前电量大于预设阈值的充电阶段可以是指当前电量大于电池电量的40％的电量时的充电阶段。此外，当预设阈值为电池电量的100％的电量时，当前电量大于预设阈值的充电阶段可以包括过冲的充电阶段，即充电电量大于电池电量的充电阶段，例如，在终端充满电后还连接着电源。应该理解，上述预设阈值不局限于上述示例中的电池电量的40％或者100％，也可以是根据实际设置的任意电量，本发明在此不做任何限定。
由于各种形式的接入电源的有线供电方式提供的电源更加稳定，而如USB充电、移动电源充电或无线充电等无法提供稳定的电源，因此，在本发明的示例性实施例中，预定供电方式可包括原装充电器接入电源的有线供电方式和使用通用的非原装充电器接入电源的有线供电方式。这里，终端中的电源管理设备可以通过检测充电电压以及充电电流的差异来区分充电器充电和USB充电，也可以通过充电输入的差异来区分有线充电和无线充电。本领域技术人员应理解，上述预定供电方式仅是示例性，也可以是本领域技术人员根据技术发展和实际场景确定的其他内容，本发明在此不做任何限定。
此外，作为示例，所述预定时间段内的充电可包括在预定时间段内的预定模式下的充电。例如，终端内预先设置有各种预定模式，例如，省电模式、上班模式、锻炼模式等。如果预定时间段为夜间的一个时间段，例如，晚10点至次日早上2点，预定模式为夜间省电模式，则预定时间段内的充电可以是夜间省电模式下的充电。
此外，作为示例，所述满足预定充电情况为在充电期间能够满足执行所述人工智能相关的运算而不影响用户充电需求的情况。在一个示例中，可通过以下方式来根据预定算法预测满足预定充电情况的充电：
首先，获取终端的历史充电数据。作为示例，历史充电数据包括以下项中的至少一项：执行充电的时间段、充电时长、供电方式、充电期间终端的耗电情况和终端耗电模式。
然后，基于终端的历史充电数据，根据预定算法预测当前充电的趋势。可使用现有的预定算法来基于终端的历史充电数据来预测当前充电的趋势。这里的预定算法可包括但不限于用于预测当前充电的趋势的人工智能模型、用于预测当前充电的趋势的数学公式。
然后，判断所述趋势是否满足预定充电情况。在一个示例中，可判断在充电期间执行所述人工智能相关的运算是否不会导致电量的减少，如果在充电期间执行所述人工智能相关的运算不会导致电量的减少，则确定所述趋势满足预定充电情况。如果所述趋势满足预定充电情况，则可将所述趋势满足预定充电情况时的充电确定为满足预定充电情况的充电。
此外，关于确定终端是否处于预定充电状态的步骤，在一个示例中，可确定向后预定时长内终端的可充入电量减去终端的待充电量再减去终端的耗电量得到的差值是否大于执行所述人工智能相关的运算所需消耗的电量，如果所述差值大于执行所述人工智能相关的运算所需消耗的电量，则终端处于预定充电状态，如果所述差值小于或者等于执行所述人工智能相关的运算所需消耗的电量，则终端未处于预定充电状态。
这里，所述终端的可充入电量为终端在所述预定时长内被充入的电量，所述终端的待充电量为终端被充电时的目标电量与终端当前的电量的差值，所述终端的耗电量为在所述预定时长内终端不执行所述人工智能相关的运算时所需消耗的电量。
作为示例，所述执行人工智能相关的运算所需消耗的电量为执行一个人工智能相关的运算的最低运算量所需的电量。所述目标电量为在当前时段下用户习惯将终端充电到的电量。
具体说来，可通过上述方式来确定终端在所述预定时长内被充入的电量、终端被充电时的目标电量、终端当前的电量和终端不执行所述人工智能相关的运算时所需消耗的电量。下面，将结合具体的示例说明如何确定所述预定时长内终端的可充入电量与终端的待充电量和终端的耗电量的差值。
例如，在所述终端的历史充电规律包括执行充电的时间段、充电时长、供电方式、充电期间终端的耗电情况和终端耗电模式的情况下，可获取到终端的充电起始时间点t、充电结束时间点P、终端当前的电量为E、终端被充电时的目标电量为E1、终端不执行所述人工智能相关的运算时消耗单位电量所需的时间为B，充入单位电量所需的时间为A，则所述预定时长内终端的可充入电量与终端的待充电量和终端的耗电量的差值E0可通过下面的等式(1)计算：
E0＝(P-t)/A(E1-E)-(P-t)/B······(1)
如果一个人工智能最低运算量所需的电量为E2时，则可确定E0与E2的大小。如果E0大于E2，则确定所述终端的电量满足执行人工智能相关的运算的需求。
另一方面，当终端未处于预定充电状态时，返回执行步骤S100。当终端处于预定充电状态时，在步骤S300，利用所述用户使用数据执行人工智能相关的运算。
此外，附加地，所述方法可还包括基于充电参数来控制终端执行所述人工智能相关的运算所使用的参数的步骤。
具体说来，可首先获取终端的充电参数，然后，基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数。
在一个示例中，所述人工智能相关的运算包括机器学习模型的训练，具体地可通过以下方式来基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数：基于终端的充电参数控制终端执行所述机器学习模型的训练时使用的训练学习率，其中，所述训练学习率指示所述机器学习模型的目标函数与目标函数的最小值之间移动的步长。
具体说来，获取的终端的充电参数可包括终端的以下参数中的至少一个：充电电流值、消耗电流值、当前电量、电量评价值、充电时长和充电时长调整系数。
作为示例，可通过下面的等式来确定机器学习模型的训练时使用的训练学习率α：
Figure BDA0002515641200000071
其中，Cm为终端的充电电流值，Cn为终端的消耗电流值，Ck为预定电流值常量，E为终端的当前电量，Ek为终端的电量评价值，t为充电时长，λ为充电时长调整系数，e是自然对数的底数，其中，Ck＜Cn。
具体说来，在终端的充电电流值Cm小于终端的消耗电流值Cn，并且终端的当前E大于终端的电量评价值Ek时，预定电流值常量Ck为一个无限小的常数值，Ck＜Cｎ，通过上述公式，可知在这种情况下，训练学习率α足够大可以使得机器学习模型的目标函数与最小值之间移动的步长变的足够大，从而使该次计算的收敛快速停止，以暂时结束该次的训练过程。通过这种方式，可以在电量不足的情况下，暂时结束机器学习模型的计算过程，以降低终端的功耗，防止因掉电引起的机器学习模型的计算的中断。
此外，在终端的充电电流值Cｍ小于终端的消耗电流值Cn，并且终端的当前电量E小于或者等于终端的电量评价值Ek时，训练学习率α为0，指示该公式无效，此时机器学习模型的当前计算停止，通过该方式也可以防止因掉电引起的机器学习模型的计算的中断。
此外，在终端的充电电流值Cm大于终端的消耗电流值Cn时，与未充电时仅存在消耗电流值Cn的情况相比，按照上述等式获得的训练学习率α变小，使得机器学习模型的目标函数与最小值之间的移动的步长变小，因此，输入数据量和数据计算的迭代的次数相应增多，训练机器学习模型的时长减小，训练机器学习模型的效率和精度提高。
此外，在终端的充电电流值Cm大于终端的消耗电流值Cn时，随着充电时长的增加，终端的总电量会相应的增加，此时，当终端电量的增长超过预先设定的增长值阈值时，训练学习率α可以适度的衰减，例如，将训练学习率α降低到预先设置的学习率预定值，从而使得机器学习模型的目标函数与最小值之间的移动的步长也相应缩减，通过这种方式，可以终端的电量充足的情况下提高训练机器学习模型的训练精度。通过上述方式，可以自适应地调整训练机器学习模型的节奏和时长，达到保证机器学习模型训练的稳定性和降低终端的功耗的技术效果。
另一方面，如果在训练机器学习模型的过程中，充电终止，此时可以在该次迭代计算结束后，将计算结果暂存，以下次训练机器学习模型时继续使用。
此外，在另一个示例中，所述人工智能相关的运算可包括机器学习模型的应用。例如，假设预定机器训练模型为用户使用场景模型时，可将用户使用数据(例如，用户使用习惯数据)输入用户使用场景模型中，并由用户使用场景模型输出与当前采集的用户使用数据确定的分类结果，基于分类结果改变终端的功耗分配。例如，根据判别的场景关闭不必要的硬件相关模块及应用，使终端进入节能模式工作，例如，当分类结果为外出场景时，可根据终端的当前电量以及预测的出门时间提前对用户进行充电提醒。
根据本发明示例性实施例的管理终端的方法，能够自适应选择执行人工智能相关的运算的时机，以达到兼顾智能运算的稳定性和降低终端的功耗的技术效果。
图2示出根据本发明示例性实施例的终端的框图。作为示例，所述终端可以是智能手机、平板电脑、个人计算机等具有规模数据量的人工智能运算功能的电子设备。如图2所示，根据本发明示例性实施例的终端包括采集器100和处理器200。
具体说来，处理器200被配置为执行以下处理：
首先，控制采集器100收集用户使用数据。这里，收集的用户使用数据可以是用户在终端上的使用数据，例如但不限于，用户使用终端期间的终端的亮灭屏数据、开关机数据、播放器使用数据、浏览器使用数据等。
处理器200还可附加地确定终端是否处于预定充电状态。
作为示例，所述预定充电状态指示满足以下状态中的至少一个：当前电量大于预设阈值的充电阶段、预定供电方式的充电、实时充入电量大于实时消耗电量的充电阶段、预定时间段内的充电、根据预定算法预测出满足预定充电情况的充电。
作为示例，所述满足预定充电情况为在充电期间能够满足执行所述人工智能相关的运算而不影响用户充电需求的情况。在一个示例中，处理器200可被配置为通过以下方式来根据预定算法预测满足预定充电情况的充电：
首先，处理器200获取终端的历史充电数据。作为示例，历史充电数据包括以下项中的至少一项：执行充电的时间段、充电时长、供电方式、充电期间终端的耗电情况和终端耗电模式。
然后，处理器200基于终端的历史充电数据，根据预定算法预测当前充电的趋势。可使用现有的预定算法来基于终端的历史充电数据来预测当前充电的趋势。这里的预定算法可包括但不限于用于预测当前充电的趋势的人工智能模型、用于预测当前充电的趋势的数学公式。
然后，处理器200判断所述趋势是否满足预定充电情况。在一个示例中，处理器200可判断在充电期间执行所述人工智能相关的运算是否不会导致电量的减少，如果在充电期间执行所述人工智能相关的运算不会导致电量的减少，则处理器200确定所述趋势满足预定充电情况。如果所述趋势满足预定充电情况，则处理器200可将所述趋势满足预定充电情况时的充电确定为满足预定充电情况的充电。
此外，在一个示例中，处理器200可被配置为通过以下方式确定终端是否处于预定充电状态，可确定向后预定时长内终端的可充入电量减去终端的待充电量再减去终端的耗电量得到的差值是否大于执行所述人工智能相关的运算所需消耗的电量，如果所述差值大于执行所述人工智能相关的运算所需消耗的电量，则终端处于预定充电状态，如果所述差值小于或者等于执行所述人工智能相关的运算所需消耗的电量，则终端未处于预定充电状态。
这里，所述终端的可充入电量为终端在所述预定时长内被充入的电量，所述终端的待充电量为终端被充电时的目标电量与终端当前的电量的差值，所述终端的耗电量为在所述预定时长内终端不执行所述人工智能相关的运算时所需消耗的电量。
作为示例，所述执行人工智能相关的运算所需消耗的电量为执行一个人工智能相关的运算的最低运算量所需的电量。所述目标电量为在当前时段下用户习惯将终端充电到的电量。
另一方面，当终端处于预定充电状态时，处理器200利用所述用户使用数据执行人工智能相关的运算。
此外，处理器200还被配置为获取终端的充电参数，基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数。
在一个示例中，所述人工智能相关的运算包括机器学习模型的训练，具体地处理器200可被配置为通过以下方式来基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数：处理器200基于终端的充电参数控制终端执行所述机器学习模型的训练时使用的训练学习率，其中，所述训练学习率指示所述机器学习模型的目标函数与目标函数的最小值之间移动的步长。具体说来，获取的终端的充电参数可包括终端的以下参数中的至少一个：充电电流值、消耗电流值、当前电量、电量评价值、充电时长和充电时长调整系数。
根据本发明的示例性实施例，处理器200可以包括一个或多个处理器。此时，一个或多个处理器可以是通用处理器，例如中央处理器(CPU)、应用处理器(AP)等，仅用于图形的处理器(例如图形处理器(GPU)、视觉处理器(VPU)和/或AI专用处理器(例如神经处理单元(NPU))。
一个或多个处理器根据存储在非易失性存储器和易失性存储器中的预定义操作规则或人工智能(AI)模型来控制输入数据的处理。预定义的操作规则或人工智能模型可通过训练或学习提供。这里，通过学习提供意味着，通过将学习算法应用于多个学习数据，形成具有期望特性的预定义操作规则或AI模型。学习可以在根据实施例的执行AI的设备本身中执行，和/或可以通过单独的服务器/设备/系统来实现。
作为示例，人工智能模型可以由多个神经网络层组成。每一层具有多个权重值，并且通过前一层的计算和多个权重值的操作来执行层操作。神经网络的例子包括但不限于卷积神经网络(CNN)、深度神经网络(DNN)、递归神经网络(RNN)、受限玻尔兹曼机(RBM)、深度置信网络(DBN)、双向递归深度神经网络(BRDNN)、生成式对抗网络(GAN)和深度Q网络。
学习算法是使用多个学习数据来训练预定目标设备(例如，机器人)以使得、允许或控制目标设备做出确定或预测的方法。学习算法的例子包括但不限于有监督学习、无监督学习、半监督学习或强化学习。
根据本发明的示例性实施例的计算机可读存储介质，存储有当被处理器执行时使得处理器执行上述示例性实施例的管理终端的方法的计算机程序。该计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
综上所述，在根据本发明示例性实施例的管理终端的方法和终端，能够自适应选择执行人工智能相关的运算的时机，以达到兼顾智能运算的稳定性和降低终端的功耗的技术效果。
尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (15)

1.一种管理终端的方法，包括：
收集用户使用数据；
预测终端在当前时间的向后预定时长内是否处于预定充电状态，其中，所述预定充电状态是向后预定时长内，终端在执行人工智能相关的运算情况下可以达到目标电量的充电状态，其中，目标电量大于终端的当前电量；
当终端处于所述预定充电状态时，利用所述用户使用数据执行人工智能相关的运算。
2.如权利要求1所述的方法，其中，所述预定充电状态指示满足以下状态中的至少一个：
当前电量大于预设阈值的充电阶段、预定供电方式的充电、实时充入电量大于实时消耗电量的充电阶段、预定时间段内的充电、根据算法预测出满足预定充电情况的充电；
和/或，
其中，所述方法还包括：
获取终端的充电参数，
基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数。
3.如权利要求2所述的方法，其中，通过以下方式来根据预定算法预测满足预定充电情况的充电：
获取终端的历史充电数据，
基于终端的历史充电数据，根据预定算法预测当前充电的趋势，
判断所述趋势是否满足预定充电情况，
将所述趋势满足预定充电情况时的充电确定为满足预定充电情况的充电，
其中，所述满足预定充电情况为在充电期间能够满足执行所述人工智能相关的运算而不影响用户充电需求的情况。
4.如权利要求3所述的方法，其中，判断所述趋势是否满足预定充电情况，包括：
判断在充电期间执行所述人工智能相关的运算是否不会导致电量的减少，
如果在充电期间执行所述人工智能相关的运算不会导致电量的减少，则确定所述趋势满足预定充电情况；
和/或，
其中，所述历史充电数据包括以下项中的至少一项：
执行充电的时间段、充电时长、供电方式、充电期间终端的耗电情况和终端耗电模式。
5.如权利要求2或4所述的方法，
其中，确定终端是否处于预定充电状态，包括：
确定向后预定时长内终端的可充入电量减去终端的待充电量再减去终端的耗电量得到的差值是否大于执行所述人工智能相关的运算所需消耗的电量，
如果所述差值大于执行所述人工智能相关的运算所需消耗的电量，则确定终端处于预定充电状态，
其中，所述终端的可充入电量为终端在所述预定时长内将被充入的电量，所述终端的待充电量为终端被充电时的目标电量与终端当前的电量的差值，所述终端的耗电量为在所述预定时长内终端不执行所述人工智能相关的运算时所需消耗的电量；
和/或，
其中，所述人工智能相关的运算包括机器学习模型的训练，所述基于所述充电参数控制终端执行所述人工智能相关的运算所使用的参数的步骤包括：
基于终端的充电参数控制终端执行所述机器学习模型的训练时使用的训练学习率，其中，所述训练学习率指示所述机器学习模型的目标函数与目标函数的最小值之间移动的步长；
和/或，
其中，所述预定时间段内的充电包括预定时间段内预定模式的充电。
6.如权利要求4所述的方法，其中，所述执行所述人工智能相关的运算所需消耗的电量为执行一个人工智能相关的运算的最低运算量所需的电量。
7.如权利要求5所述的方法，其中，所述目标电量为在当前时段下用户习惯将终端充电到的电量。
8.一种终端，包括：
采集器；
处理器，被配置为：
控制采集器收集用户使用数据；
预测终端在当前时间的向后预定时长内是否处于预定充电状态，其中，所述预定充电状态是向后预定时长内，终端在执行人工智能相关的运算情况下可以达到目标电量的充电状态，其中，目标电量大于终端的当前电量；
当终端处于所述预定充电状态时，利用所述用户使用数据执行人工智能相关的运算。
9.如权利要求8所述的终端，其中，所述预定充电状态指示满足以下状态中的至少一个：
当前电量大于预设阈值的充电阶段、预定供电方式的充电、实时充入电量大于实时消耗电量的充电阶段、预定时间段内的充电、根据算法预测出满足预定充电情况的充电；
和/或，
其中，所述处理器还被配置为：
获取终端的充电参数，
基于所述充电参数，控制终端执行所述人工智能相关的运算所使用的参数。
10.如权利要求9所述的终端，其中，处理器被配置：
获取终端的历史充电数据，
基于终端的历史充电数据，根据预定算法预测当前充电的趋势，
判断所述趋势是否满足预定充电情况，
将所述趋势满足预定充电情况时的充电确定为满足预定充电情况的充电，
其中，所述满足预定充电情况为在充电期间能够满足执行所述人工智能相关的运算而不影响用户充电需求的情况。
11.如权利要求10所述的终端，其中，处理器被配置为：
判断在充电期间执行所述人工智能相关的运算是否不会导致电量的减少，
如果在充电期间执行所述人工智能相关的运算不会导致电量的减少，则确定所述趋势满足预定充电情况；
和/或，
其中，所述历史充电数据包括以下项中的至少一项：
执行充电的时间段、充电时长、供电方式、充电期间终端的耗电情况和终端耗电模式。
12.如权利要求9或11所述的终端，
其中，处理器被配置为：确定向后预定时长内终端的可充入电量减去终端的待充电量再减去终端的耗电量得到的差值是否大于执行所述人工智能相关的运算所需消耗的电量，
如果所述差值大于执行所述人工智能相关的运算所需消耗的电量，则确定终端处于预定充电状态，
其中，所述终端的可充入电量为终端在所述预定时长内将被充入的电量，所述终端的待充电量为终端被充电时的目标电量与终端当前的电量的差值，所述终端的耗电量为在所述预定时长内终端不执行所述人工智能相关的运算时所需消耗的电量；
和/或，
其中，所述人工智能相关的运算包括机器学习模型的训练，处理器被配置为：
基于终端的充电参数控制终端执行所述机器学习模型的训练时使用的训练学习率，其中，所述训练学习率指示所述机器学习模型的目标函数与目标函数的最小值之间移动的步长；
和/或，
其中，所述预定时间段内的充电包括预定时间段内预定模式的充电。
13.如权利要求12所述的终端，其中，所述执行所述人工智能相关的运算所需消耗的电量为执行一个人工智能相关的运算的最低运算量所需的电量。
14.如权利要求13所述的终端，其中，所述目标电量为在当前时段下用户习惯将终端充电到的电量。
15.一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的管理终端的方法。
CN202010475267.1A 2020-05-29 2020-05-29 管理终端的方法和终端 Active CN111708427B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010475267.1A CN111708427B (zh) 2020-05-29 2020-05-29 管理终端的方法和终端
PCT/KR2020/014767 WO2021241814A1 (en) 2020-05-29 2020-10-28 Terminal and method for managing the same
US17/109,706 US11422607B2 (en) 2020-05-29 2020-12-02 Terminal and method for managing the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010475267.1A CN111708427B (zh) 2020-05-29 2020-05-29 管理终端的方法和终端

Publications (2)

Publication Number Publication Date
CN111708427A CN111708427A (zh) 2020-09-25
CN111708427B true CN111708427B (zh) 2022-07-22

Family

ID=72538916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010475267.1A Active CN111708427B (zh) 2020-05-29 2020-05-29 管理终端的方法和终端

Country Status (3)

Country Link
US (1) US11422607B2 (zh)
CN (1) CN111708427B (zh)
WO (1) WO2021241814A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112698232A (zh) * 2020-12-14 2021-04-23 尼讯(上海)科技有限公司 基于电池检测的电池健康状态追踪云系统
CN113794256B (zh) * 2021-09-15 2022-07-19 深圳市科雷特能源科技股份有限公司 电池充放电智能管理方法及装置
WO2023184385A1 (en) * 2022-03-31 2023-10-05 Fujitsu Limited Indication method and apparatus
CN116054297B (zh) * 2022-05-30 2024-03-29 荣耀终端有限公司 一种充电方法、装置及电子设备
CN116795628B (zh) * 2023-05-24 2024-05-14 荣耀终端有限公司 终端设备的功耗处理方法、终端设备以及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200906153A (en) * 2007-07-20 2009-02-01 Hon Hai Prec Ind Co Ltd Method for controlling quantity of electricity and mobile communication device using the same
CN104518206A (zh) * 2013-09-26 2015-04-15 联想(北京)有限公司 一种充电电池、方法及设备
CN106230038A (zh) * 2016-07-26 2016-12-14 努比亚技术有限公司 一种充电方法及终端
CN106951145A (zh) * 2017-03-28 2017-07-14 广东欧珀移动通信有限公司 充电时电量提醒方法及移动终端
CN107171412A (zh) * 2017-07-20 2017-09-15 广东欧珀移动通信有限公司 动态调整充电电流的方法、装置、移动终端及存储介质
CN107809542A (zh) * 2017-11-14 2018-03-16 广东欧珀移动通信有限公司 应用程序控制方法、装置、存储介质和电子设备
CN110837288A (zh) * 2018-08-15 2020-02-25 北京搜狗科技发展有限公司 应用程序管理方法、装置、移动终端及可读存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8352767B2 (en) * 2008-11-26 2013-01-08 Symbol Technologies, Inc. Intelligent and adaptive method to manage mobile device power
CN102098392B (zh) * 2011-01-25 2014-03-19 中兴通讯股份有限公司 一种便携式终端的节能装置和方法
KR101799461B1 (ko) * 2011-06-30 2017-11-20 엘지전자 주식회사 이동 단말기 및 그의 전력 관리방법
US20140082383A1 (en) * 2012-09-20 2014-03-20 Apple Inc. Predicting user intent and future interaction from application activities
KR102125834B1 (ko) 2013-11-29 2020-06-23 삼성전자주식회사 모바일 단말기 및 그의 전력 관리 방법
CN105676997B (zh) * 2016-01-05 2018-11-30 京东方科技集团股份有限公司 移动终端管理方法和系统、移动终端
KR102465543B1 (ko) 2016-02-19 2022-11-10 삼성전자 주식회사 어플리케이션 및 컴포넌트를 제어하는 방법 및 전자장치
CN105929927A (zh) 2016-04-19 2016-09-07 乐视控股（北京）有限公司 一种降低智能设备功耗的方法和装置
US10606336B2 (en) * 2017-06-16 2020-03-31 Apple Inc. Electronic device with improved power management
US10599205B2 (en) * 2017-09-18 2020-03-24 Verizon Patent And Licensing Inc. Methods and systems for managing machine learning involving mobile devices
CN109992367A (zh) * 2017-12-29 2019-07-09 广东欧珀移动通信有限公司 应用处理方法和装置、电子设备、计算机可读存储介质
US10496936B2 (en) * 2018-03-05 2019-12-03 Capital One Services, Llc Systems and methods for preventing machine learning models from negatively affecting mobile devices through intermittent throttling

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200906153A (en) * 2007-07-20 2009-02-01 Hon Hai Prec Ind Co Ltd Method for controlling quantity of electricity and mobile communication device using the same
CN104518206A (zh) * 2013-09-26 2015-04-15 联想(北京)有限公司 一种充电电池、方法及设备
CN106230038A (zh) * 2016-07-26 2016-12-14 努比亚技术有限公司 一种充电方法及终端
CN106951145A (zh) * 2017-03-28 2017-07-14 广东欧珀移动通信有限公司 充电时电量提醒方法及移动终端
CN107171412A (zh) * 2017-07-20 2017-09-15 广东欧珀移动通信有限公司 动态调整充电电流的方法、装置、移动终端及存储介质
CN107809542A (zh) * 2017-11-14 2018-03-16 广东欧珀移动通信有限公司 应用程序控制方法、装置、存储介质和电子设备
CN110837288A (zh) * 2018-08-15 2020-02-25 北京搜狗科技发展有限公司 应用程序管理方法、装置、移动终端及可读存储介质

Also Published As

Publication number Publication date
WO2021241814A1 (en) 2021-12-02
CN111708427A (zh) 2020-09-25
US20210373641A1 (en) 2021-12-02
US11422607B2 (en) 2022-08-23

Similar Documents

Publication Publication Date Title
CN111708427B (zh) 管理终端的方法和终端
CN112631415B (zh) Cpu频率调整方法、装置、电子设备及存储介质
CN106233571B (zh) 多电池设备中的负载调度
CN103348744B (zh) 使用功率阈值对移动通信终端进行智能功率管理的方法和装置
CN112114648B (zh) 可穿戴设备电源管理方法、系统及计算机设备
GB2588701A (en) Predicting a remaining battery life in a device
CN110830560A (zh) 一种基于强化学习的多用户移动边缘计算迁移方法
CN116069152A (zh) 针对ai计算集群的运行频率控制方法、系统及相关设备
CN113591509B (zh) 车道线检测模型的训练方法、图像处理方法及装置
CN117472167B (zh) 服务器能耗的调节方法、装置、计算机设备及存储介质
CN110941320A (zh) 一种基于用户习惯的电量控制方法及终端
CN117539648A (zh) 一种电子政务云平台的服务质量管理方法及装置
CN116820730B (zh) 多引擎计算系统的任务调度方法、装置及存储介质
KR102118799B1 (ko) 모바일 단말 장치 내의 프로세서의 전력을 관리하는 장치 및 방법
Jeon et al. Harvnet: resource-optimized operation of multi-exit deep neural networks on energy harvesting devices
KR102422545B1 (ko) 모바일 단말기에서 인공 신경망 추론을 수행하기 위한 장치 및 방법
Lee et al. Energy-efficient control of mobile processors based on long short-term memory
CN114090108A (zh) 算力任务执行方法、装置、电子设备及存储介质
CN115705275A (zh) 参数获取方法、装置以及电子设备
CN117350165A (zh) 一种基于深度强化学习的3d芯片动态热管理方法
CN116826796A (zh) 需量控制方法、装置及荷储系统
CN114138493A (zh) 一种基于能耗感知的边缘算力资源调度方法
CN112256345A (zh) 一种基于最先适应算法和遗传算法的计算任务卸载方法
CN116720585B (zh) 基于自主可控软硬件平台的低功耗ai模型推理优化方法
CN117311991B (zh) 模型训练方法、任务分配方法、装置、设备、介质及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant