CN111797867A - 系统资源优化方法、装置、存储介质及电子设备 - Google Patents
系统资源优化方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111797867A CN111797867A CN201910282193.7A CN201910282193A CN111797867A CN 111797867 A CN111797867 A CN 111797867A CN 201910282193 A CN201910282193 A CN 201910282193A CN 111797867 A CN111797867 A CN 111797867A
- Authority
- CN
- China
- Prior art keywords
- scene
- system resource
- optimization
- future
- current
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种系统资源优化方法、装置、存储介质及电子设备,所述系统资源优化方法包括:根据当前场景的场景数据对所述当前场景进行识别;基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化;根据所述当前场景的识别结果对预设时间段后的未来场景进行预测;基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。所述系统资源优化方法中,电子设备可以对当前场景对应的第一系统资源进行第一优化,并对预测出的未来场景对应的第二系统资源进行第二优化,从而使得电子设备能够快速适应所述未来场景对电子设备性能的需求,以提高电子设备的系统性能与不同场景之间的适应性。
Description
技术领域
本申请涉及电子技术领域,特别涉及一种系统资源优化方法、装置、存储介质及电子设备。
背景技术
随着电子技术的发展,诸如智能手机等电子设备的功能越来越丰富,用户使用电子设备的场景也越来越多。在不同场景使用电子设备时,用户对电子设备的需求是不同的。
例如,当用户使用电子设备玩游戏时,对电子设备的系统流畅性要求比较高;当用户使用电子设备观看影视剧时,对电子设备的网络要求比较高;当用户在野外使用电子设备时,对电子设备的续航能力要求比较高。
当前,用户在不同场景使用电子设备时,需要对电子设备的系统资源手动进行优化,优化效率低,并且优化效果难以满足用户预期。
发明内容
本申请实施例提供一种系统资源优化方法、装置、存储介质及电子设备,可以提高电子设备的系统性能与不同场景之间的适应性。
本申请实施例提供一种系统资源优化方法,应用于电子设备,所述系统资源优化方法包括:
根据当前场景的场景数据对所述当前场景进行识别;
基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化;
根据所述当前场景的识别结果对预设时间段后的未来场景进行预测;
基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。
本申请实施例还提供一种系统资源优化装置,应用于电子设备,所述系统资源优化装置包括:
场景识别模块,用于根据当前场景的场景数据对所述当前场景进行识别;
第一优化模块,用于基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化;
场景预测模块,用于根据所述当前场景的识别结果对预设时间段后的未来场景进行预测;
第二优化模块,用于基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。
本申请实施例还提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述系统资源优化方法。
本申请实施例还提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行上述系统资源优化方法。
本申请实施例提供的系统资源优化方法,包括:根据当前场景的场景数据对所述当前场景进行识别;基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化;根据所述当前场景的识别结果对预设时间段后的未来场景进行预测;基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。所述系统资源优化方法中,电子设备可以对当前场景对应的第一系统资源进行第一优化,并对预测出的未来场景对应的第二系统资源进行第二优化,从而既能够提高电子设备在当前场景下的性能,又使得电子设备能够快速适应所述未来场景对电子设备性能的需求,以提高电子设备的系统性能与不同场景之间的适应性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的电子设备中的全景感知架构示意图。
图2为本申请实施例提供的系统资源优化方法的第一种流程示意图。
图3为本申请实施例提供的系统资源优化方法的第二种流程示意图。
图4为本申请实施例提供的系统资源优化方法的第三种流程示意图。
图5为本申请实施例提供的系统资源优化方法的第四种流程示意图。
图6为本申请实施例提供的系统资源优化方法的第五种流程示意图。
图7为本申请实施例提供的系统资源优化方法的第六种流程示意图。
图8为本申请实施例提供的系统资源优化装置的第一种结构示意图。
图9为本申请实施例提供的系统资源优化装置的第二种结构示意图。
图10为本申请实施例提供的电子设备的第一种结构示意图。
图11为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
参考图1,图1为本申请实施例提供的电子设备中的全景感知架构示意图。所述全景感知架构为电子设备中的硬件和软件的集成。所述全景感知架构可以用于实现电子设备的全景数据的采集和处理。
其中,全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如,所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
其中,距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器,可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。
数据处理层用于对信息感知层获取到的数据进行处理。例如,数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中,数据清理是指对信息感知层获取到的大量数据进行清理,以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度,以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等,以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下,最大限度的精简数据量。
特征抽取层用于对数据处理层处理后的数据进行特征抽取,以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中,特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤,以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起,以构建一种更加高效、更加准确的特征提取方法,用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型,所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如,情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如,智能服务层可以为用户提供基础应用服务,可以为电子设备进行系统智能优化,还可以为用户提供个性化智能服务。
此外,全景感知架构中还可以包括多种算法,每一种算法都可以用于对数据进行分析处理,所述多种算法可以构成算法库。例如,所述算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机分类算法、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
本申请实施例提供一种系统资源优化方法,所述系统资源优化方法可以应用于电子设备中。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality,增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
参考图2,图2为本申请实施例提供的系统资源优化方法的第一种流程示意图。
其中,所述系统资源优化方法包括以下步骤:
110,根据当前场景的场景数据对所述当前场景进行识别。
电子设备可以获取当前场景的场景数据。其中,所述当前场景为电子设备当前所处的场景,也即所述电子设备的用户当前所处的场景。
所述场景数据可以包括任意的数据。例如,所述场景数据可以包括环境温度、环境光强度、环境噪声等环境数据。所述场景数据还可以包括电子设备上的图像数据、内存数据、电子设备上显示的文本数据等电子设备的运行数据。所述场景数据还可以包括用户行为习惯数据,例如用户的作息时间、用户进行的娱乐活动等。
其中,电子设备可以通过上述全景感知架构中的信息感知层来采集当前场景的场景数据。例如,电子设备可以通过温度传感器来检测环境温度,通过光线传感器来检测环境光强度,通过麦克风来检测环境噪声,通过电子设备的处理电路调取电子设备上的图像数据、内存数据等,通过显示控制电路来获取电子设备上显示的文本数据。此外,电子设备还可以通过信息感知层来感知用户的行为并进行记录,以形成用户的行为习惯数据。
随后,电子设备可以根据所述场景数据对所述当前场景进行识别。其中,电子设备可以根据预设机器学习算法对所述场景数据进行计算,以识别所述当前场景。例如,电子设备可以通过贝叶斯分类算法、支持向量机分类算法等分类算法对所述场景数据进行分类计算,以识别所述当前场景。
120,基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化。
电子设备对当前场景进行识别,得到识别结果后,可以根据所述识别结果确定当前场景对应的第一系统资源。其中,所述第一系统资源可以包括一种或多种系统资源。所述第一系统资源为与所述当前场景相关性较高的资源。例如,若识别结果为游戏场景,则所述第一系统资源可以包括系统内存、显示屏刷新频率等系统资源;若识别结果为野外徒步,则所述第一系统资源可以包括处理器唤醒频率、后台应用刷新频率等系统资源。
随后,电子设备对所述第一系统资源进行第一优化。所述第一优化的优化方式可以是根据场景预先设定的。所述第一优化的目的是使得优化后的第一系统资源与当前场景的适应性更高,从而提高电子设备在当前场景下的性能。
例如,针对游戏场景,所述第一优化可以包括清理部分后台应用所占用的系统内存、调高显示屏刷新频率等,以提高电子设备的游戏性能。针对野外徒步,所述第一优化可以包括降低处理器唤醒频率、降低后台应用刷新频率等,以降低电子设备的功耗,提高电子设备的续航能力。
130,根据所述当前场景的识别结果对预设时间段后的未来场景进行预测。
电子设备完成对第一系统资源的第一优化后,可以根据当前场景的识别结果对预设时间段后的未来场景进行预测。也即,预测电子设备在所述预设时间段后将处于哪种场景。
其中,所述预设时间段为预先设置的一个时长。所述预设时间段可以由专业人员根据经验进行设置。例如,所述预设时间段可以为5分钟、10分钟、60分钟等。
140,基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。
电子设备对所述未来场景进行预测,得到预测结果后,即可根据所述预测结果确定所述未来场景对应的第二系统资源。其中,所述第二系统资源可以包括一种或多种系统资源。所述第二系统资源为与所述未来场景相关性较高的资源。可以理解的,所述第二系统资源与所述第一系统资源为不同的系统资源。
随后,电子设备对所述第二系统资源进行第二优化。所述第二优化的优化方式也可以是根据场景预先设定的。所述第二优化的优化方式与所述第一优化的优化方式可以相同,也可以不同。所述第二优化的目的是使得优化后的第二系统资源与所述未来场景的适应性更高。或者,可以理解为所述第二优化是对电子设备进行预优化。当经过所述预设时间段后,电子设备进入所述未来场景时,电子设备即可快速适应所述未来场景对电子设备性能的需求。
可以理解的,电子设备得到未来场景的预测结果后,可以将所述未来场景与所述当前场景进行比较,以判断所述未来场景与所述当前场景是否相同。若所述未来场景与所述当前场景相同,说明电子设备在所述预设时间段后不会发生场景的切换,从而无需对电子设备进行第二优化。若所述未来场景与所述当前场景不同,例如所述当前场景为游戏场景,所述未来场景为商场场景,说明电子设备在所述预设时间段后将会发生场景的切换,此时电子设备对所述未来场景对应的第二系统资源进行第二优化。
例如,在一些实施例中,电子设备可以通过信息感知层获取当前场景的场景数据,并通过智能服务层根据当前场景的场景数据对所述当前场景进行识别。可以理解的,智能服务层对当前场景进行识别之前,电子设备还可以通过数据处理层对信息感知层获取到的场景数据进行处理,例如进行数据清理、数据变换等处理。
对当前场景进行识别后,电子设备可以通过智能服务层基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化。
随后,电子设备可以通过智能服务层根据所述当前场景的识别结果对预设时间段后的未来场景进行预测,并基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。
本申请实施例提供的系统资源优化方法,可以对当前场景对应的第一系统资源进行第一优化,并对预测出的未来场景对应的第二系统资源进行第二优化,从而既能够提高电子设备在当前场景下的性能,又使得电子设备能够快速适应所述未来场景对电子设备性能的需求,以提高电子设备的系统性能与不同场景之间的适应性。
在一些实施例中,参考图3,图3为本申请实施例提供的系统资源优化方法的第二种流程示意图。
其中,步骤130、根据所述当前场景的识别结果对预设时间段后的未来场景进行预测,包括以下步骤:
132a,获取用户的历史场景序列集合,所述历史场景序列集合包括多个历史场景以及每一所述历史场景对应的历史时刻;
132b,根据所述历史场景序列集合构建所述用户的场景时间序列模型;
132c,根据所述当前场景的识别结果以及所述场景时间序列模型计算预设时间段后每一场景出现的概率;
132d,将出现概率最大的场景确定为未来场景。
电子设备可以收集用户的历史场景数据,从而获取用户的历史场景序列集合。其中,所述历史场景序列集合包括多个历史场景以及每一所述历史场景对应的历史时刻。可以理解的,历史场景对应的历史时刻可以为所述历史场景发生的时刻,也可以为所述历史场景结束的时刻,还可以为所述历史场景发生的时刻至所述历史场景结束的时刻之间的持续时间段。
随后,电子设备可以根据所述历史场景序列集合构建所述用户的场景时间序列模型。其中,所述场景时间序列模型可以反映出用户所处的每一场景随时间发生变化的规律。例如,所述场景时间序列模型可以反映出用户所处场景发生的时刻、持续的时长、结束的时刻、下一场景是哪个场景、下一场景的持续时长等变化规律。
得到场景时间序列模型后,电子设备即可根据所述当前场景的识别结果以及所述场景时间序列模型计算预设时间段后每一场景出现的概率,并将出现概率最大的场景确定为未来场景。
在一些实施例中,电子设备可以根据循环神经网络算法、贝叶斯分类算法、马尔科夫算法等机器学习算法对所述当前场景以及所述场景时间序列模型进行学习计算,以得到预设时间段后每一场景出现的概率。随后,电子设备将出现概率最大的场景确定为未来场景。
例如,当前场景为场景A,预设时间段后可能出现的场景包括场景B、C、D、E。其中,场景B出现的概率为20%,场景C出现的概率为60%,场景D出现的概率为5%,场景E出现的概率为15%。那么,电子设备即可将场景C确定为未来场景。
在一些实施例中,参考图4,图4为本申请实施例提供的系统资源优化方法的第三种流程示意图。
其中,步骤130、根据所述当前场景的识别结果对预设时间段后的未来场景进行预测,包括以下步骤:
134a,提取所述当前场景的多个场景特征;
134b,获取用户当前对所述电子设备进行操作的多个操作特征;
134c,根据所述多个场景特征以及所述多个操作特征构建当前的场景用户特征向量;
134d,根据预设回归算法计算所述特征向量中的每一特征对应的特征权重;
134e,根据多个所述特征权重计算场景类别值;
134f,根据所述场景类别值以及场景与场景类别值之间的预设对应关系确定未来场景。
电子设备可以提取当前场景的多个场景特征,以及获取用户当前对所述电子设备进行操作的多个操作特征。所述场景特征可以是用于反映所述当前场景的任意特征,例如,所述多个场景特征可以包括当前场景所处的时刻、地理位置、环境噪声、电子设备上运行的应用、电子设备的网络速率、电子设备的剩余电量等特征。所述操作特征可以是用于反映用户操作情况的任意特征,例如,所述多个操作特征可以包括用户在显示屏上的点击频率、点击显示屏时的按压压力大小、在显示屏上的滑动距离、滑动操作间隔等特征。
随后,电子设备根据所述多个场景特征以及所述多个操作特征构建当前的场景用户特征向量。例如,构建的场景用户特征向量可以表示为M(P1,P2,P3,P4,P5,P6),其中P1、P2、P3为场景特征,P4、P5、P6为操作特征。
随后,电子设备根据预设回归算法计算所述特征向量中的每一特征对应的特征权重,并根据多个所述特征权重计算场景类别值。其中,所述预设回归算法可以为预先设置的回归算法,例如线性回归算法、逻辑斯蒂回归算法等。
例如,电子设备可以根据预设回归算法对所述用户特征向量M进行学习,以得到特征P1、P2、P3、P4、P5、P6各自对应的特征权重。随后,电子设备根据多个所述特征权重计算场景类别值。例如,可以由专业人员根据经验设定场景类别值的计算公式,并根据设定的计算公式计算场景类别值。
此外,电子设备中可以预先设置每一场景对应的场景类别值,以形成场景与场景类别值之间的预设对应关系。例如,对于家这一场景,对应的场景类别值可以设置为1;对应公司这一场景,对应的场景类别值可以设置为2。
电子设备计算得到场景类别值后,可以根据所述场景类别值以及场景与场景类别值之间的预设对应关系确定未来场景。
例如,电子设备计算得到的场景类别值为2,那么即可将公司确定为未来场景。
在一些实施例中,参考图5,图5为本申请实施例提供的系统资源优化方法的第四种流程示意图。
其中,步骤110、根据当前场景的场景数据对所述当前场景进行识别之前,还包括以下步骤:
152,构建所述电子设备的可优化系统资源集合,所述可优化系统资源集合包括多种系统资源;
154,构建所述电子设备的场景集合,所述场景集合包括多个场景;
156,根据预设机器学习算法对每一所述系统资源与每一所述场景之间的关联性进行学习,以获取每一所述系统资源与每一所述场景之间的关联性权重。
电子设备可以构建自身的可优化系统资源集合以及电子设备的场景集合。其中,所述可优化系统资源集合包括多种系统资源。例如,所述可优化系统资源集合可以包括系统内存、电量、处理器运算速度、显示屏刷新频率、后台应用刷新频率、显示屏亮度等。所述场景集合包括多个场景。例如,所述场景集合可以包括家、公司、旅游、出差、健身、驾驶、步行、公交、地铁、游戏、视频等。
可以理解的,所述可优化系统资源集合、所述场景集合可以由电子设备自动收集,也可以由用户手动输入或者进行配置。
随后,电子设备根据预设机器学习算法对每一所述系统资源与每一所述场景之间的关联性进行学习,以获取每一所述系统资源与每一所述场景之间的关联性权重。其中,所述预设机器学习算法可以包括诸如逻辑斯蒂回归算法、线性回归算法、贝叶斯分类算法、支持向量机分类算法、循环神经网络算法、卷积神经网络算法等。
可以理解的,电子设备处于不同场景时,对各种系统资源的需求是不同的。当某个场景对电子设备的某种系统资源需求较高时,可以认为所述场景与所述系统资源的关联性较高。
电子设备对每一系统资源与每一场景之间的关联性进行学习,即可得到每一系统资源与每一场景之间的关联性权重。系统资源与场景之间的关联性权重越大,表示电子设备处于所述场景时,对所述系统资源的需求越高。
在一些实施例中,参考图6,图6为本申请实施例提供的系统资源优化方法的第五种流程示意图。
其中,步骤120、基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化,包括以下步骤:
122,根据所述当前场景的识别结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源;
124,将所述与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源确定为第一系统资源,并对所述第一系统资源进行第一优化。
电子设备中可以预先设置第一预设权重。其中,所述第一预设权重可以为一个数值,例如50%。
所述第一预设权重的意义在于,针对当前场景,当某种系统资源与所述当前场景之间的关联性权重大于所述第一预设权重时,可以认为所述系统资源与所述当前场景的关联性较高;当某种系统资源与所述当前场景之间的关联性权重小于或等于所述第一预设权重时,可以认为所述系统资源与所述当前场景的关联性较低。
电子设备得到当前场景的识别结果后,即可根据所述当前场景的识别结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源。随后,将与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源确定为第一系统资源,并对所述第一系统资源进行第一优化。
例如,所述第一预设权重为50%,处理器运算速度与当前场景之间的关联性权重为80%,显示屏刷新频率与当前场景之间的关联性权重为90%,那么电子设备即可将处理器运算速度、显示屏刷新频率确定为当前的第一系统资源,并进行第一优化。
继续参考图6,在一些实施例中,步骤140、基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化,包括以下步骤:
142,根据所述未来场景的预测结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源;
144,将所述与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源确定为第二系统资源,并对所述第二系统资源进行第二优化。
电子设备中可以预先设置第二预设权重。其中,所述第二预设权重也可以为一个数值,例如60%。需要说明的是,所述第二预设权重与所述第一预设权重是相互独立的。所述第二预设权重可以大于所述第一预设权重,也可以小于或等于所述第一预设权重。
所述第二预设权重的意义在于,针对未来场景,当某种系统资源与所述未来场景之间的关联性权重大于所述第二预设权重时,可以认为所述系统资源与所述未来场景的关联性较高;当某种系统资源与所述未来场景之间的关联性权重小于或等于所述第二预设权重时,可以认为所述系统资源与所述未来场景的关联性较低。
电子设备得到未来场景的预测结果后,即可根据所述未来场景的预测结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源。随后,将所述与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源确定为第二系统资源,并对所述第二系统资源进行第二优化。
在一些实施例中,参考图7,图7为本申请实施例提供的系统资源优化方法的第六种流程示意图。
其中,步骤120、基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化,包括以下步骤:
126,获取用户在所述当前场景下的第一使用习惯数据,所述第一使用习惯数据包括所述当前场景下的每一系统资源的第一配置参数;
128,根据所述每一系统资源的第一配置参数对所述第一系统资源进行配置。
在用户使用电子设备的过程中,电子设备可以采集用户在每个场景下的使用习惯数据。例如,电子设备可以采集用户在家、公司、旅游、出差等每一场景下的使用习惯数据。其中,所述使用习惯数据包括每一场景下的各种系统资源的配置参数。
电子设备得到当前场景的识别结果后,例如识别出当前场景为家,那么电子设备可以根据采集的用户使用习惯数据获取当前场景下的第一使用习惯数据。所述第一使用习惯数据包括所述当前场景下的每一系统资源的第一配置参数。
随后,电子设备根据所述每一系统资源的第一配置参数对所述第一系统资源进行配置。例如,根据所述第一配置参数对电子设备的系统内存、处理器运算速度进行配置。
继续参考图7,在一些实施例中,步骤140、基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化,包括以下步骤:
146,获取用户在所述未来场景下的第二使用习惯数据,所述第二使用习惯数据包括所述未来场景下的每一系统资源的第二配置参数;
148,根据所述每一系统资源的第二配置参数对所述第二系统资源进行配置。
在用户使用电子设备的过程中,电子设备可以采集用户在每个场景下的使用习惯数据。其中,所述使用习惯数据包括每一场景下的各种系统资源的配置参数。
电子设备得到未来场景的预测结果后,可以根据采集的用户使用习惯数据获取用户在所述未来场景下的第二使用习惯数据。其中,所述第二使用习惯数据包括所述未来场景下的每一系统资源的第二配置参数。
随后,电子设备根据所述每一系统资源的第二配置参数对所述第二系统资源进行配置。例如,根据所述第二配置参数对电子设备的显示屏刷新频率进行配置。
在本申请的描述中,需要理解的是,诸如“第一”、“第二”等术语仅用于区分类似的对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
由上可知,本申请实施例提供的系统资源优化方法,包括:根据当前场景的场景数据对所述当前场景进行识别;基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化;根据所述当前场景的识别结果对预设时间段后的未来场景进行预测;基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。所述系统资源优化方法中,电子设备可以对当前场景对应的第一系统资源进行第一优化,并对预测出的未来场景对应的第二系统资源进行第二优化,从而既能够提高电子设备在当前场景下的性能,又使得电子设备能够快速适应所述未来场景对电子设备性能的需求,以提高电子设备的系统性能与不同场景之间的适应性。
本申请实施例还提供一种系统资源优化装置,所述系统资源优化装置可以集成在电子设备中。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality,增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
参考图8,图8为本申请实施例提供的系统资源优化装置的第一种结构示意图。
其中,所述系统资源优化装置200包括:场景识别模块201、第一优化模块202、场景预测模块203、第二优化模块204。
场景识别模块201,用于根据当前场景的场景数据对所述当前场景进行识别。
场景识别模块201可以获取当前场景的场景数据。其中,所述当前场景为电子设备当前所处的场景,也即所述电子设备的用户当前所处的场景。
所述场景数据可以包括任意的数据。例如,所述场景数据可以包括环境温度、环境光强度、环境噪声等环境数据。所述场景数据还可以包括电子设备上的图像数据、内存数据、电子设备上显示的文本数据等电子设备的运行数据。所述场景数据还可以包括用户行为习惯数据,例如用户的作息时间、用户进行的娱乐活动等。
其中,场景识别模块201可以通过电子设备的全景感知架构中的信息感知层来采集当前场景的场景数据。例如,通过温度传感器来检测环境温度,通过光线传感器来检测环境光强度,通过麦克风来检测环境噪声,通过电子设备的处理电路调取电子设备上的图像数据、内存数据等,通过显示控制电路来获取电子设备上显示的文本数据。此外,场景识别模块201还可以通过信息感知层来感知用户的行为并进行记录,以形成用户的行为习惯数据。
随后,场景识别模块201可以根据所述场景数据对所述当前场景进行识别。其中,场景识别模块201可以根据预设机器学习算法对所述场景数据进行计算,以识别所述当前场景。例如,可以通过贝叶斯分类算法、支持向量机分类算法等分类算法对所述场景数据进行分类计算,以识别所述当前场景。
第一优化模块202,用于基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化。
场景识别模块201对当前场景进行识别,得到识别结果后,第一优化模块202可以根据所述识别结果确定当前场景对应的第一系统资源。其中,所述第一系统资源可以包括一种或多种系统资源。所述第一系统资源为与所述当前场景相关性较高的资源。例如,若识别结果为游戏场景,则所述第一系统资源可以包括系统内存、显示屏刷新频率等系统资源;若识别结果为野外徒步,则所述第一系统资源可以包括处理器唤醒频率、后台应用刷新频率等系统资源。
随后,第一优化模块202对所述第一系统资源进行第一优化。所述第一优化的优化方式可以是根据场景预先设定的。所述第一优化的目的是使得优化后的第一系统资源与当前场景的适应性更高,从而提高电子设备在当前场景下的性能。
例如,针对游戏场景,所述第一优化可以包括清理部分后台应用所占用的系统内存、调高显示屏刷新频率等,以提高电子设备的游戏性能。针对野外徒步,所述第一优化可以包括降低处理器唤醒频率、降低后台应用刷新频率等,以降低电子设备的功耗,提高电子设备的续航能力。
场景预测模块203,用于根据所述当前场景的识别结果对预设时间段后的未来场景进行预测。
第一优化模块202完成对第一系统资源的第一优化后,场景预测模块203可以根据当前场景的识别结果对预设时间段后的未来场景进行预测。也即,预测电子设备在所述预设时间段后将处于哪种场景。
其中,所述预设时间段为预先设置的一个时长。所述预设时间段可以由专业人员根据经验进行设置。例如,所述预设时间段可以为5分钟、10分钟、60分钟等。
第二优化模块204,用于基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。
场景预测模块203对所述未来场景进行预测,得到预测结果后,第二优化模块204即可根据所述预测结果确定所述未来场景对应的第二系统资源。其中,所述第二系统资源可以包括一种或多种系统资源。所述第二系统资源为与所述未来场景相关性较高的资源。可以理解的,所述第二系统资源与所述第一系统资源为不同的系统资源。
随后,第二优化模块204对所述第二系统资源进行第二优化。所述第二优化的优化方式也可以是根据场景预先设定的。所述第二优化的优化方式与所述第一优化的优化方式可以相同,也可以不同。所述第二优化的目的是使得优化后的第二系统资源与所述未来场景的适应性更高。或者,可以理解为所述第二优化是对电子设备进行预优化。当经过所述预设时间段后,电子设备进入所述未来场景时,电子设备即可快速适应所述未来场景对电子设备性能的需求。
可以理解的,场景预测模块203得到未来场景的预测结果后,第二优化模块204可以将所述未来场景与所述当前场景进行比较,以判断所述未来场景与所述当前场景是否相同。若所述未来场景与所述当前场景相同,说明电子设备在所述预设时间段后不会发生场景的切换,从而无需对电子设备进行第二优化。若所述未来场景与所述当前场景不同,例如所述当前场景为游戏场景,所述未来场景为商场场景,说明电子设备在所述预设时间段后将会发生场景的切换,此时对所述未来场景对应的第二系统资源进行第二优化。
本申请实施例提供的系统资源优化装置可以对当前场景对应的第一系统资源进行第一优化,并对预测出的未来场景对应的第二系统资源进行第二优化,从而既能够提高电子设备在当前场景下的性能,又使得电子设备能够快速适应所述未来场景对电子设备性能的需求,以提高电子设备的系统性能与不同场景之间的适应性。
在一些实施例中,场景预测模块203用于执行以下步骤:
获取用户的历史场景序列集合,所述历史场景序列集合包括多个历史场景以及每一所述历史场景对应的历史时刻;
根据所述历史场景序列集合构建所述用户的场景时间序列模型;
根据所述当前场景的识别结果以及所述场景时间序列模型计算预设时间段后每一场景出现的概率;
将出现概率最大的场景确定为未来场景。
场景预测模块203可以收集用户的历史场景数据,从而获取用户的历史场景序列集合。其中,所述历史场景序列集合包括多个历史场景以及每一所述历史场景对应的历史时刻。可以理解的,历史场景对应的历史时刻可以为所述历史场景发生的时刻,也可以为所述历史场景结束的时刻,还可以为所述历史场景发生的时刻至所述历史场景结束的时刻之间的持续时间段。
随后,场景预测模块203可以根据所述历史场景序列集合构建所述用户的场景时间序列模型。其中,所述场景时间序列模型可以反映出用户所处的每一场景随时间发生变化的规律。例如,所述场景时间序列模型可以反映出用户所处场景发生的时刻、持续的时长、结束的时刻、下一场景是哪个场景、下一场景的持续时长等变化规律。
得到场景时间序列模型后,场景预测模块203即可根据所述当前场景的识别结果以及所述场景时间序列模型计算预设时间段后每一场景出现的概率,并将出现概率最大的场景确定为未来场景。
在一些实施例中,场景预测模块203可以根据循环神经网络算法、贝叶斯分类算法、马尔科夫算法等机器学习算法对所述当前场景以及所述场景时间序列模型进行学习计算,以得到预设时间段后每一场景出现的概率。随后,将出现概率最大的场景确定为未来场景。
例如,当前场景为场景A,预设时间段后可能出现的场景包括场景B、C、D、E。其中,场景B出现的概率为20%,场景C出现的概率为60%,场景D出现的概率为5%,场景E出现的概率为15%。那么,场景预测模块203即可将场景C确定为未来场景。
在一些实施例中,场景预测模块203用于执行包括以下步骤:
提取所述当前场景的多个场景特征;
获取用户当前对所述电子设备进行操作的多个操作特征;
根据所述多个场景特征以及所述多个操作特征构建当前的场景用户特征向量;
根据预设回归算法计算所述特征向量中的每一特征对应的特征权重;
根据多个所述特征权重计算场景类别值;
根据所述场景类别值以及场景与场景类别值之间的预设对应关系确定未来场景。
场景预测模块203可以提取当前场景的多个场景特征,以及获取用户当前对所述电子设备进行操作的多个操作特征。所述场景特征可以是用于反映所述当前场景的任意特征,例如,所述多个场景特征可以包括当前场景所处的时刻、地理位置、环境噪声、电子设备上运行的应用、电子设备的网络速率、电子设备的剩余电量等特征。所述操作特征可以是用于反映用户操作情况的任意特征,例如,所述多个操作特征可以包括用户在显示屏上的点击频率、点击显示屏时的按压压力大小、在显示屏上的滑动距离、滑动操作间隔等特征。
随后,场景预测模块203根据所述多个场景特征以及所述多个操作特征构建当前的场景用户特征向量。例如,构建的场景用户特征向量可以表示为M(P1,P2,P3,P4,P5,P6),其中P1、P2、P3为场景特征,P4、P5、P6为操作特征。
随后,场景预测模块203根据预设回归算法计算所述特征向量中的每一特征对应的特征权重,并根据多个所述特征权重计算场景类别值。其中,所述预设回归算法可以为预先设置的回归算法,例如线性回归算法、逻辑斯蒂回归算法等。
例如,场景预测模块203可以根据预设回归算法对所述用户特征向量M进行学习,以得到特征P1、P2、P3、P4、P5、P6各自对应的特征权重。随后,场景预测模块203根据多个所述特征权重计算场景类别值。例如,可以由专业人员根据经验设定场景类别值的计算公式,并根据设定的计算公式计算场景类别值。
此外,电子设备中可以预先设置每一场景对应的场景类别值,以形成场景与场景类别值之间的预设对应关系。例如,对于家这一场景,对应的场景类别值可以设置为1;对应公司这一场景,对应的场景类别值可以设置为2。
场景预测模块203计算得到场景类别值后,可以根据所述场景类别值以及场景与场景类别值之间的预设对应关系确定未来场景。
例如,计算得到的场景类别值为2,那么即可将公司确定为未来场景。
在一些实施例中,参考图9,图9为本申请实施例提供的系统资源优化装置的第二种结构示意图。
其中,系统资源优化装置200还包括机器学习模块205,所述机器学习模块205用于执行以下步骤:
构建所述电子设备的可优化系统资源集合,所述可优化系统资源集合包括多种系统资源;
构建所述电子设备的场景集合,所述场景集合包括多个场景;
根据预设机器学习算法对每一所述系统资源与每一所述场景之间的关联性进行学习,以获取每一所述系统资源与每一所述场景之间的关联性权重。
机器学习模块205可以构建电子设备的可优化系统资源集合以及电子设备的场景集合。其中,所述可优化系统资源集合包括多种系统资源。例如,所述可优化系统资源集合可以包括系统内存、电量、处理器运算速度、显示屏刷新频率、后台应用刷新频率、显示屏亮度等。所述场景集合包括多个场景。例如,所述场景集合可以包括家、公司、旅游、出差、健身、驾驶、步行、公交、地铁、游戏、视频等。
可以理解的,所述可优化系统资源集合、所述场景集合可以由机器学习模块205通过电子设备自动收集,也可以由用户手动输入或者进行配置。
随后,机器学习模块205根据预设机器学习算法对每一所述系统资源与每一所述场景之间的关联性进行学习,以获取每一所述系统资源与每一所述场景之间的关联性权重。其中,所述预设机器学习算法可以包括诸如逻辑斯蒂回归算法、线性回归算法、贝叶斯分类算法、支持向量机分类算法、循环神经网络算法、卷积神经网络算法等。
可以理解的,电子设备处于不同场景时,对各种系统资源的需求是不同的。当某个场景对电子设备的某种系统资源需求较高时,可以认为所述场景与所述系统资源的关联性较高。
机器学习模块205对每一系统资源与每一场景之间的关联性进行学习,即可得到每一系统资源与每一场景之间的关联性权重。系统资源与场景之间的关联性权重越大,表示电子设备处于所述场景时,对所述系统资源的需求越高。
在一些实施例中,第一优化模块202用于执行以下步骤:
根据所述当前场景的识别结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源;
将所述与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源确定为第一系统资源,并对所述第一系统资源进行第一优化。
电子设备中可以预先设置第一预设权重。其中,所述第一预设权重可以为一个数值,例如50%。
所述第一预设权重的意义在于,针对当前场景,当某种系统资源与所述当前场景之间的关联性权重大于所述第一预设权重时,可以认为所述系统资源与所述当前场景的关联性较高;当某种系统资源与所述当前场景之间的关联性权重小于或等于所述第一预设权重时,可以认为所述系统资源与所述当前场景的关联性较低。
得到当前场景的识别结果后,第一优化模块202即可根据所述当前场景的识别结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源。随后,将与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源确定为第一系统资源,并对所述第一系统资源进行第一优化。
例如,所述第一预设权重为50%,处理器运算速度与当前场景之间的关联性权重为80%,显示屏刷新频率与当前场景之间的关联性权重为90%,那么第一优化模块202即可将处理器运算速度、显示屏刷新频率确定为当前的第一系统资源,并进行第一优化。
在一些实施例中,第二优化模块204用于执行以下步骤:
根据所述未来场景的预测结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源;
将所述与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源确定为第二系统资源,并对所述第二系统资源进行第二优化。
电子设备中可以预先设置第二预设权重。其中,所述第二预设权重也可以为一个数值,例如60%。需要说明的是,所述第二预设权重与所述第一预设权重是相互独立的。所述第二预设权重可以大于所述第一预设权重,也可以小于或等于所述第一预设权重。
所述第二预设权重的意义在于,针对未来场景,当某种系统资源与所述未来场景之间的关联性权重大于所述第二预设权重时,可以认为所述系统资源与所述未来场景的关联性较高;当某种系统资源与所述未来场景之间的关联性权重小于或等于所述第二预设权重时,可以认为所述系统资源与所述未来场景的关联性较低。
得到未来场景的预测结果后,第二优化模块204即可根据所述未来场景的预测结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源。随后,将所述与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源确定为第二系统资源,并对所述第二系统资源进行第二优化。
在一些实施例中,第一优化模块202用于执行以下步骤:
获取用户在所述当前场景下的第一使用习惯数据,所述第一使用习惯数据包括所述当前场景下的每一系统资源的第一配置参数;
根据所述每一系统资源的第一配置参数对所述第一系统资源进行配置。
在用户使用电子设备的过程中,电子设备可以采集用户在每个场景下的使用习惯数据。例如,电子设备可以采集用户在家、公司、旅游、出差等每一场景下的使用习惯数据。其中,所述使用习惯数据包括每一场景下的各种系统资源的配置参数。
得到当前场景的识别结果后,例如识别出当前场景为家,那么第一优化模块202可以根据采集的用户使用习惯数据获取当前场景下的第一使用习惯数据。所述第一使用习惯数据包括所述当前场景下的每一系统资源的第一配置参数。
随后,第一优化模块202根据所述每一系统资源的第一配置参数对所述第一系统资源进行配置。例如,根据所述第一配置参数对电子设备的系统内存、处理器运算速度进行配置。
在一些实施例中,第二优化模块204用于执行以下步骤:
获取用户在所述未来场景下的第二使用习惯数据,所述第二使用习惯数据包括所述未来场景下的每一系统资源的第二配置参数;
根据所述每一系统资源的第二配置参数对所述第二系统资源进行配置。
在用户使用电子设备的过程中,电子设备可以采集用户在每个场景下的使用习惯数据。其中,所述使用习惯数据包括每一场景下的各种系统资源的配置参数。
得到未来场景的预测结果后,第二优化模块204可以根据采集的用户使用习惯数据获取用户在所述未来场景下的第二使用习惯数据。其中,所述第二使用习惯数据包括所述未来场景下的每一系统资源的第二配置参数。
随后,第二优化模块204根据所述每一系统资源的第二配置参数对所述第二系统资源进行配置。例如,根据所述第二配置参数对电子设备的显示屏刷新频率进行配置。
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现。
由上可知,本申请实施例提供的系统资源优化装置200,包括:场景识别模块201,用于根据当前场景的场景数据对所述当前场景进行识别;第一优化模块202,用于基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化;场景预测模块203,用于根据所述当前场景的识别结果对预设时间段后的未来场景进行预测;第二优化模块204,用于基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。所述系统资源优化装置可以对当前场景对应的第一系统资源进行第一优化,并对预测出的未来场景对应的第二系统资源进行第二优化,从而既能够提高电子设备在当前场景下的性能,又使得电子设备能够快速适应所述未来场景对电子设备性能的需求,以提高电子设备的系统性能与不同场景之间的适应性。
本申请实施例还提供一种电子设备。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality,增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
参考图10,图10为本申请实施例提供的电子设备的第一种结构示意图。
其中,电子设备300包括处理器301和存储器302。其中,处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或调用存储在存储器302内的计算机程序,以及调用存储在存储器302内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
在本实施例中,电子设备300中的处理器301按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中,并由处理器301来运行存储在存储器302中的计算机程序,从而执行以下步骤:
根据当前场景的场景数据对所述当前场景进行识别;
基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化;
根据所述当前场景的识别结果对预设时间段后的未来场景进行预测;
基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。
在一些实施例中,根据所述当前场景的识别结果对预设时间段后的未来场景进行预测时,处理器301执行以下步骤:
获取用户的历史场景序列集合,所述历史场景序列集合包括多个历史场景以及每一所述历史场景对应的历史时刻;
根据所述历史场景序列集合构建所述用户的场景时间序列模型;
根据所述当前场景的识别结果以及所述场景时间序列模型计算预设时间段后每一场景出现的概率;
将出现概率最大的场景确定为未来场景。
在一些实施例中,根据所述当前场景的识别结果对预设时间段后的未来场景进行预测时,处理器301执行以下步骤:
提取所述当前场景的多个场景特征;
获取用户当前对所述电子设备进行操作的多个操作特征;
根据所述多个场景特征以及所述多个操作特征构建当前的场景用户特征向量;
根据预设回归算法计算所述特征向量中的每一特征对应的特征权重;
根据多个所述特征权重计算场景类别值;
根据所述场景类别值以及场景与场景类别值之间的预设对应关系确定未来场景。
在一些实施例中,根据当前场景的场景数据对所述当前场景进行识别之前,处理器301还执行以下步骤:
构建所述电子设备的可优化系统资源集合,所述可优化系统资源集合包括多种系统资源;
构建所述电子设备的场景集合,所述场景集合包括多个场景;
根据预设机器学习算法对每一所述系统资源与每一所述场景之间的关联性进行学习,以获取每一所述系统资源与每一所述场景之间的关联性权重。
在一些实施例中,基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化时,处理器301执行以下步骤:
根据所述当前场景的识别结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源;
将所述与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源确定为第一系统资源,并对所述第一系统资源进行第一优化。
在一些实施例中,基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化时,处理器301执行以下步骤:
根据所述未来场景的预测结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源;
将所述与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源确定为第二系统资源,并对所述第二系统资源进行第二优化。
在一些实施例中,基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化时,处理器301执行以下步骤:
获取用户在所述当前场景下的第一使用习惯数据,所述第一使用习惯数据包括所述当前场景下的每一系统资源的第一配置参数;
根据所述每一系统资源的第一配置参数对所述第一系统资源进行配置。
在一些实施例中,基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化时,处理器301执行以下步骤:
获取用户在所述未来场景下的第二使用习惯数据,所述第二使用习惯数据包括所述未来场景下的每一系统资源的第二配置参数;
根据所述每一系统资源的第二配置参数对所述第二系统资源进行配置。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序,从而执行各种功能应用以及数据处理。
在一些实施例中,参考图11,图11为本申请实施例提供的电子设备的第二种结构示意图。
其中,电子设备300还包括:显示屏303、控制电路304、输入单元305、传感器306以及电源307。其中,处理器301分别与显示屏303、控制电路304、输入单元305、传感器306以及电源307电性连接。
显示屏303可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口,这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路304与显示屏303电性连接,用于控制显示屏303显示信息。
输入单元305可用于接收输入的数字、字符信息或用户特征信息(例如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中,输入单元305可以包括指纹识别模组。
传感器306用于采集电子设备自身的信息或者用户的信息或者外部环境信息。例如,传感器306可以包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
电源307用于给电子设备300的各个部件供电。在一些实施例中,电源307可以通过电源管理系统与处理器301逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图11中未示出,电子设备300还可以包括摄像头、蓝牙模块等,在此不再赘述。
由上可知,本申请实施例提供了一种电子设备,所述电子设备执行以下步骤:根据当前场景的场景数据对所述当前场景进行识别;基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化;根据所述当前场景的识别结果对预设时间段后的未来场景进行预测;基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。所述电子设备可以对当前场景对应的第一系统资源进行第一优化,并对预测出的未来场景对应的第二系统资源进行第二优化,从而既能够提高电子设备在当前场景下的性能,又使得电子设备能够快速适应所述未来场景对电子设备性能的需求,以提高电子设备的系统性能与不同场景之间的适应性。
本申请实施例还提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,所述计算机执行上述任一实施例所述的系统资源优化方法。
需要说明的是,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成,所述计算机程序可以存储于计算机可读存储介质中,所述存储介质可以包括但不限于:只读存储器(ROM,Read OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的系统资源优化方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种系统资源优化方法,应用于电子设备,其特征在于,所述系统资源优化方法包括:
根据当前场景的场景数据对所述当前场景进行识别;
基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化;
根据所述当前场景的识别结果对预设时间段后的未来场景进行预测;
基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。
2.根据权利要求1所述的系统资源优化方法,其特征在于,所述根据所述当前场景的识别结果对预设时间段后的未来场景进行预测的步骤包括:
获取用户的历史场景序列集合,所述历史场景序列集合包括多个历史场景以及每一所述历史场景对应的历史时刻;
根据所述历史场景序列集合构建所述用户的场景时间序列模型;
根据所述当前场景的识别结果以及所述场景时间序列模型计算预设时间段后每一场景出现的概率;
将出现概率最大的场景确定为未来场景。
3.根据权利要求1所述的系统资源优化方法,其特征在于,所述根据所述当前场景的识别结果对预设时间段后的未来场景进行预测的步骤包括:
提取所述当前场景的多个场景特征;
获取用户当前对所述电子设备进行操作的多个操作特征;
根据所述多个场景特征以及所述多个操作特征构建当前的场景用户特征向量;
根据预设回归算法计算所述特征向量中的每一特征对应的特征权重;
根据多个所述特征权重计算场景类别值;
根据所述场景类别值以及场景与场景类别值之间的预设对应关系确定未来场景。
4.根据权利要求1至3任一项所述的系统资源优化方法,其特征在于,所述根据当前场景的场景数据对所述当前场景进行识别的步骤前,还包括:
构建所述电子设备的可优化系统资源集合,所述可优化系统资源集合包括多种系统资源;
构建所述电子设备的场景集合,所述场景集合包括多个场景;
根据预设机器学习算法对每一所述系统资源与每一所述场景之间的关联性进行学习,以获取每一所述系统资源与每一所述场景之间的关联性权重。
5.根据权利要求4所述的系统资源优化方法,其特征在于,所述基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化的步骤包括:
根据所述当前场景的识别结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源;
将所述与所述当前场景的关联性权重大于第一预设权重的一个或多个系统资源确定为第一系统资源,并对所述第一系统资源进行第一优化。
6.根据权利要求4所述的系统资源优化方法,其特征在于,所述基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化的步骤包括:
根据所述未来场景的预测结果以及每一系统资源与每一场景之间的关联性权重从所述可优化系统资源集合中确定出与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源;
将所述与所述未来场景的关联性权重大于第二预设权重的一个或多个系统资源确定为第二系统资源,并对所述第二系统资源进行第二优化。
7.根据权利要求1至3任一项所述的系统资源优化方法,其特征在于,所述基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化的步骤包括:
获取用户在所述当前场景下的第一使用习惯数据,所述第一使用习惯数据包括所述当前场景下的每一系统资源的第一配置参数;
根据所述每一系统资源的第一配置参数对所述第一系统资源进行配置。
8.根据权利要求1至3任一项所述的系统资源优化方法,其特征在于,所述基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化的步骤包括:
获取用户在所述未来场景下的第二使用习惯数据,所述第二使用习惯数据包括所述未来场景下的每一系统资源的第二配置参数;
根据所述每一系统资源的第二配置参数对所述第二系统资源进行配置。
9.一种系统资源优化装置,应用于电子设备,其特征在于,所述系统资源优化装置包括:
场景识别模块,用于根据当前场景的场景数据对所述当前场景进行识别;
第一优化模块,用于基于所述当前场景的识别结果对所述当前场景对应的第一系统资源进行第一优化;
场景预测模块,用于根据所述当前场景的识别结果对预设时间段后的未来场景进行预测;
第二优化模块,用于基于所述未来场景的预测结果对所述未来场景对应的第二系统资源进行第二优化。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行权利要求1至8任一项所述的系统资源优化方法。
11.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行权利要求1至8任一项所述的系统资源优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282193.7A CN111797867A (zh) | 2019-04-09 | 2019-04-09 | 系统资源优化方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282193.7A CN111797867A (zh) | 2019-04-09 | 2019-04-09 | 系统资源优化方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797867A true CN111797867A (zh) | 2020-10-20 |
Family
ID=72805302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282193.7A Pending CN111797867A (zh) | 2019-04-09 | 2019-04-09 | 系统资源优化方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797867A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112631415A (zh) * | 2020-12-31 | 2021-04-09 | Oppo(重庆)智能科技有限公司 | Cpu频率调整方法、装置、电子设备及存储介质 |
WO2022156074A1 (zh) * | 2021-01-22 | 2022-07-28 | 深圳市科思科技股份有限公司 | 无线智能决策通信方法、装置和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010186283A (ja) * | 2009-02-12 | 2010-08-26 | Hitachi Ltd | 情報処理装置、情報処理方法、及び情報処理プログラム |
CN103544496A (zh) * | 2012-07-12 | 2014-01-29 | 同济大学 | 基于空间与时间信息融合的机器人场景识别方法 |
CN107515787A (zh) * | 2017-08-31 | 2017-12-26 | 广东欧珀移动通信有限公司 | 资源配置方法及相关产品 |
CN107861814A (zh) * | 2017-10-31 | 2018-03-30 | 广东欧珀移动通信有限公司 | 资源配置方法及设备 |
CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
-
2019
- 2019-04-09 CN CN201910282193.7A patent/CN111797867A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010186283A (ja) * | 2009-02-12 | 2010-08-26 | Hitachi Ltd | 情報処理装置、情報処理方法、及び情報処理プログラム |
CN103544496A (zh) * | 2012-07-12 | 2014-01-29 | 同济大学 | 基于空间与时间信息融合的机器人场景识别方法 |
CN107515787A (zh) * | 2017-08-31 | 2017-12-26 | 广东欧珀移动通信有限公司 | 资源配置方法及相关产品 |
CN107861814A (zh) * | 2017-10-31 | 2018-03-30 | 广东欧珀移动通信有限公司 | 资源配置方法及设备 |
CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112631415A (zh) * | 2020-12-31 | 2021-04-09 | Oppo(重庆)智能科技有限公司 | Cpu频率调整方法、装置、电子设备及存储介质 |
WO2022156074A1 (zh) * | 2021-01-22 | 2022-07-28 | 深圳市科思科技股份有限公司 | 无线智能决策通信方法、装置和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798018A (zh) | 行为预测方法、装置、存储介质及电子设备 | |
CN111797854B (zh) | 场景模型建立方法、装置、存储介质及电子设备 | |
CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
CN111797288A (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
CN111798259A (zh) | 应用推荐方法、装置、存储介质及电子设备 | |
CN111797850A (zh) | 视频分类方法、装置、存储介质及电子设备 | |
CN111797302A (zh) | 模型处理方法、装置、存储介质及电子设备 | |
CN111797870A (zh) | 算法模型的优化方法、装置、存储介质及电子设备 | |
CN111798811A (zh) | 屏幕背光亮度的调节方法、装置、存储介质及电子设备 | |
CN111800445B (zh) | 消息推送方法、装置、存储介质及电子设备 | |
CN111797873A (zh) | 场景识别方法、装置、存储介质及电子设备 | |
CN111797867A (zh) | 系统资源优化方法、装置、存储介质及电子设备 | |
CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
CN111797856B (zh) | 建模方法、装置、存储介质及电子设备 | |
CN111797849A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
CN111797289A (zh) | 模型处理方法、装置、存储介质和电子设备 | |
CN111797986A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111797261A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
CN111796924A (zh) | 服务处理方法、装置、存储介质及电子设备 | |
CN111797869A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
CN111796916A (zh) | 数据分发方法、装置、存储介质及服务器 | |
CN111797655A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
CN111797863A (zh) | 模型训练方法、数据处理方法、装置、存储介质及设备 |
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 |