CN113837437A - 终端耗电数据的处理方法及装置、存储介质及终端 - Google Patents

Abstract

本公开提供了一种终端耗电数据的处理方法及装置、计算机可读存储介质及终端，涉及终端技术领域。该方法包括：获取目标终端在待机状态下的至少一个耗电特征；基于特征解释模型处理每个上述耗电特征，确定每个上述耗电特征的耗电占比；根据上述耗电占比，确定上述目标终端在待机状态下每个上述耗电特征分别对应的耗电量；其中，上述特征解释模型是根据耗电量预测模型确定的，上述耗电量预测模型用于预测上述目标终端在待机状态下的耗电总量。本技术方案能够对目标终端在待机状态下的耗电数据进行定量分析，同时有利于提升待机耗电的分析准确度。

Description

终端耗电数据的处理方法及装置、存储介质及终端

技术领域

本公开涉及终端技术领域，尤其涉及一种终端耗电数据的处理方法及装置、计算机可读存储介质及终端。

背景技术

随着终端硬件的不断升级以及软件功能的多样化，终端的功耗也不可避免的在增加。在终端电池容量不进行提升的情况下，终端的续航能力将面临挑战。因此相关技术中对终端功耗进行了分析研究。其中，待机耗电是指终端在待机状态下的耗电。

相关技术存在对于待机耗电的分析准确度较低的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种终端耗电数据的处理方法及装置、计算机可读存储介质及终端，能够对终端在待机状态下的耗电数据进行定量分析，至少在一定程度上提升待机耗电的分析准确度。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种终端耗电数据的处理方法，包括：获取目标终端在待机状态下的至少一个耗电特征；基于特征解释模型处理每个上述耗电特征，确定每个上述耗电特征的耗电占比；根据上述耗电占比，确定上述目标终端在待机状态下每个上述耗电特征分别对应的耗电量；其中，上述特征解释模型是根据耗电量预测模型确定的，上述耗电量预测模型用于预测上述目标终端在待机状态下的耗电总量。

根据本公开的另一个方面，提供一种终端耗电数据的处理装置，包括：特征获取模块、耗电占比确定模块和分析数据确定模块，其中：

上述特征获取模块，用于获取目标终端在待机状态下的至少一个耗电特征；上述耗电占比确定模块，用于基于特征解释模型处理每个上述耗电特征，确定每个上述耗电特征的耗电占比；以及，上述分析数据确定模块，用于根据上述耗电占比，确定上述目标终端在待机状态下每个上述耗电特征分别对应的耗电量；其中，上述特征解释模型是根据耗电量预测模型确定的，上述耗电量预测模型用于预测上述目标终端在待机状态下的耗电总量。

根据本公开的再一个方面，提供一种终端，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现上述的终端耗电数据的处理方法。

根据本公开的又一个方面，提供一种计算机可读存储介质，上述计算机程序被处理器执行时实现上述的终端耗电数据的处理方法。

本公开的实施例所提供的终端耗电数据的处理方法及装置、计算机可读存储介质和终端，具备以下技术效果：

获取目标终端在待机状态下的至少一个耗电特征，将所有输入特征解释模型，并根据该特征解释模型的输出确定每个耗电特征的耗电占比。进一步地，根据耗电占比，确定该目标终端在待机状态下每个所述耗电特征分别对应的耗电量。其中，上述特征解释模型是根据耗电量预测模型确定的，而耗电量预测模型用于预测目标终端在待机状态下的耗电总量。本技术方案采用根据机器学习模型确定的解释模型来解释每个耗电特征的耗电占比，以对待机耗电进行根因分析，从而达到对目标终端在待机状态下的耗电数据进行定量分析的技术效果，进而有利于提升待机耗电的分析准确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，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示出了Android系统的终端耗电类型的示意性图。

图2示出了根据本公开一示例性的实施例中终端耗电数据的处理方案的构架示意图。

图3示出了根据本公开一示例性的实施例中终端耗电数据的处理方法的流程示意图。

图4示出了根据本公开一示例性的实施例中耗电量预测模型的确定方法的流程示意图。

图5示出了根据本公开另一示例性的实施例中耗电量预测模型的确定方法的流程示意图。

图6示出了根据本公开一示例性的实施例中耗电量预测模型的回归效果的示意图。

图7示出了根据本公开一示例性的实施例中特征解释模型的确定方法的流程示意图。

图8示出了根据本公开另一示例性的实施例中终端耗电数据的处理方法的流程示意图。

图9示出了根据本公开一示例性的实施例中终端耗电数据的处理装置的结构示意图。

图10示出了根据本公开另一示例性的实施例中终端耗电数据的处理装置的结构示意图。

图11示意性示出了根据本公开一示例性的实施例中终端的结构图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施例方式作进一步地详细描述。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本公开中的具体含义。此外，在本公开的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本申请提供了终端耗电数据的处理的技术方案。为了便于理解，下面首先对本申请涉及到的几个名词进行解释。

应用处理器(Application Processor,简称：AP)，操作系统、用户界面和应用程序一般都在应用处理器中执行。

数字信号处理器(Advanced Digital Signal Processor,简称：ADSP)，主要处理音频、传感器sensor数据。

智能外围子系统(Smart Peripheral Subsystem,简称：SPS)，用于优化需要大量中央处理器(Central Processing Unit,简称：CPU)和系统动态随机存取存储器(DynamicRandom Access Memory,简称：DRAM)参与的外围系统。

Modem外围子系统软件(Modem Peripheral Subsystem Software,简称：MPSS)，主要用于对通讯相关业务的处理。

示例性的，以Android系统的终端为例，图1示出了Android系统的终端耗电类型的示意性图。

参考图1，Android系统的终端类型包括场景耗电和待机耗电。

其中，场景耗电一般指应用在前台使用时所产生的电流，可以对应到特定的场景，如打游戏、看视频等。其中，场景耗电包括典型应用场景耗电和应用回归耗电。

关于应用场景耗电：由于安装于终端中应用的种类较为繁杂，且可能会涉及到终端的诸多功能，因此场景电流一般的分析思路是将应用的耗电拆解至相对应的硬件，然后根据相关硬件的耗电来分析以定位耗电应用以及耗电原因。例如，相关耗电硬件包括：CPU、屏幕、GPS、Audio、Modem、Wifi以及传感器Sensor等。

上述硬件耗电需要借助于专业器件(如，电流仪)和软件来测试，因此一般只会测试TOP应用的典型场景，存在覆盖率偏低的问题。

关于应用回归耗电：可以作为一种比较特殊的场景耗电。应用回归耗电是指应用使用一段时间后退回至后台，导致短时间内有应用后台运行时的消耗的电流。对于应用回归耗电的分类又分为两类，一种是回归亮屏耗电另一种是回归待机耗电。

对于回归亮屏耗电：一般会分析应用后台的CPU使用，即后台使用CPU耗电。这时回归电流主要取决于系统对应用后台的限制策略是否有效。对于回归待机耗电：则会分析应用持锁、应用频繁唤醒或无法休眠以及子系统异常等因素。

待机耗电，主要指终端(如，手机)在熄屏待机状态下的耗电。待机状态下，由于终端中的基础电流较低，因而一些细小的因素都可能导致电流波动。由于大部分硬件(如，屏幕)理论上不再工作，因此待机耗电一般会分为：分析持锁、唤醒、休眠状态、子系统异常以及硬件漏电。

其中以分析持锁、唤醒、休眠状态为主，包括以下方面：Modem唤醒、Wlan唤醒、数据包唤醒、alarm唤醒、开环差模电压放大倍数aod、特殊环境、Framework唤醒、Kernel唤醒。另外，子系统异常包括：Adsp、Sps、Mpss。与上述场景耗电相比，待机耗电除了以AP不休眠导致的为主的AP耗电外，还有各个子系统(Mpss、Adsp等)不休眠导致的耗电。

由于大部分终端用户对于应用耗电是有预期的(如，打游戏xx小时将耗xx电量等)，因此在上述预期基础由于上场景耗电而增加的耗电量对于其使用体验并不会产生明显下降。而对于待机耗电，由于大部分终端用户的认知是应该几乎不耗电或轻微耗电。因此，若在待机状态下耗电量较大(如，待机状态下耗电量增加了几十mA)，最终反映的结果就是待机耗电增加了几倍，这将对导致对用户的不佳使用体验，也就是说，终端用户对待机耗电是用户比较敏感的一种耗电类型。

相关技术提供的待机耗电分析方案包括以下步骤：

首先确认待机的时间段。由于待机时电流和亮屏电流差距可达几倍，因此须确认处于待机状态的具体时间段。另外，在相同的待机时长下，频繁的亮屏灭屏会导致手机电流偏高，这是因为手机在刚熄屏的短时间内还会有任务在后台运行。因此，是短待机还是长待机，也是一个非要区分的因素。在确认待机情况后，接下来主要是分析典型系统的休眠和持锁。典型系统一级典型分析点包括：Modem、Ap(Kernel&Framework)、Adsp、Sps、Wlan等。最终分析唤醒的原因，对于Ap，唤醒多为alarm导致，其余模块以Modem为主。

然而，相关技术提供的待机耗电分析方案存在以下问题：

1、现有待机数据维度多，可能原因多。上面所述的分析思路只经过简化考虑的，实际上，某个模块的问题可能有很多种原因，如Modem的问题，可能体现在休眠少、唤醒多、无服务等多种原因，因此导致待机耗电分析方案的分析链路加长，进而使得分析效率变低。

2、待机耗电分析十分依赖专业经验，结果往往只能定性问题，而难以定量分析数据。现在的分析主要通过大量的规则和标准来定义问题。例：A模块休眠比为40％、B模块休眠比为60％。现有的分析思路就倾向于模块A是导致问题的主要因素。然而会存在两个问题：一是往往很多问题不止有一种原因，而可能是多个模块出现问题导致的结果。二是虽然可确定A模块休眠比为40％和B模块休眠比为60％，但是不能定量说明A模块和B模块分别对应的耗电量，相关技术提供的待机耗电分析方案的说服力有限。

针对上述相关技术中存在的技术问题，提出本公开的终端耗电数据的处理方案。将采集到的原始待机数据经过处理后训练机器学习模型，得到耗电量预测模型。可通过耗电量预测模型对待机状态下的终端耗电总量进行预测。同时，本技术方案的重点工作还包括将上述训练后得到的耗电量预测模型转换为可对输入的耗电特征提供解释的模型(记作“特征解释模型”)。通过特征解释模型可以根据每个样本的表现来定量分析出它的每个特征对耗电的具体影响。从而，就可以认为对每个样本所包含的待机特征(待机状态下的耗电特征)的待机耗电表现有了一定的了解，可以进一步发现其背后的规律。可见，本方案能够对目标终端在待机状态下的耗电数据进行定量分析，克服了相关技术中只能够进行定性分析的问题，同时本技术方案提供的待机耗电方案还具有较高的分析准确度。

需要说明的是，上述“目标终端”可以是任意需要通过本技术方案进行待机状态耗电量分析的终端。与下文中用于训练耗电量预测模型的样本数据对应的终端(将记作“样本终端”)进行区分。

示例性的，图2示出了根据本公开一示例性的实施例中终端耗电数据的处理方案的构架示意图。参考图2，该构架图包括五部分，具体为条件确定部分210、选取用户部分220、用户展示部分230、根因分析及告警部分240以及群体分析与趋势预测部分250。

其中，条件确定部分210、选取用户部分220及用户展示部分230为先验任务，群体分析与趋势预测部分250为后续任务。根因分析及告警部分240体现上述“将上述训练后得到的耗电量预测模型转换为特征解释模型”，体现至外部任务就是对目标终端在待机状态下的电流进行拟合和回归、异常检测和自动化分析。需要说明的是，本技术方案中所采集的原始数据为用户适用终端过程中所产生的终端使用数据。例如，用户a对应的终端s在某一天中待机3次，每次持续时长，以及在待机过程中Wifi开关处于打开状态等。进一步地，获取样本终端的目标待机状态下的终端使用数据。即，用于训练机器学习模型的样本数据。

下面分别对上述构架的五个部分进行介绍：

条件确定部分210，在该部分用于确定原始数据的筛选条件，并根据筛选条件确定不同的数据搜索方式，以得到满足各种搜索方式的待机耗电数据。参考图2，筛选条件包括模糊搜索和精确搜索。其中，模糊搜索可以包括：选取时间段和对比时间段、选取版本和对比版本以及特征筛选条件(如，音乐场景用户)；精确搜索包括用户手机序列号Imei(International Mobile Equipment Identity，国际移动设备识别码)(可多用户)以及时间跨度等。

选取用户部分220，是通过上述筛选条件来选取符合条件的用户，通过对比标准来选取代表用户并观察它们的实际表现。参考图2，选取关注维度，如默认为待机状态下的平均电流。通过算法判断用户类型，包括：新增异常用户、顽固异常用户、游离用户(拟合偏差较大)以及易转用户。另外，还能够通过算法智能排序用户，通过选择展示方式，可以将TOPN用户进行展示，也可以将系统自动判断的用户进行展示。

用户展示部分230，用于将选取用户部分确定的代表用户的各种特征的通过可视化工具表现出来，从而对各个特征有可视化认知。参考图2，包括模糊搜索展示和精确搜索展示。其中，模糊搜索展示包括：待机特征变化对比(展示为柱状图)、待机特征和基准值对比(展示为折线图)、用户基准值对比以及问题类型占比变化比对(展示为饼图)。精确搜索展示包括：待机特征随时间变化图、每天离散特征展示、基准值一堆以及多用户比对等。

通过上述三个部分能够使得系统使用者对所采集数据及所采集数据对应的用户特征有一定的认知，从而有利于后续通过特征及数据对模型进行训练和分析。

根因分析及告警部分240，在该部分通过数据对回归类型的机器学习模型进行拟合训练，确定用于预测目标终端在待机状态下总耗电量的预测模型(记作“耗电量预测模型”)。进一步地，基于训练得到的耗电量预测模型分析输入特征对总耗电量的影响，得到特征解释模型。从而达到定量分析各个耗电特征对于终端耗电影响的目的。

参考图2，根因分析及告警部分240包括初步分析(用于确定后续分析方向)和根因分析两部分。初步分析得出可能异常原因以及需关注指标。根因分析包括待机日志分析和MIDAS数据分析。进一步地，根因分析及告警部分240还包括：告警。告警用于提醒抓取日志以及提醒关注用户。

群体分析与趋势预测部分250，通过算法确定用户群或自定义确定用户群，进而进行群体分析。群体分析包括群体待机耗电变化规律、群体问题类型变化以及群体特征、指标及后台变化等。趋势预测包括个体特征演变以及用户群特征演变。

关于上述五个部分的具体实施方式将在下述方法实施例中进行详细描述。

以下将结合附图3-附图9，对本公开实施例提供的终端耗电数据的处理方法进行详细介绍。本公开实施例提供的方法可以由任意具备计算处理能力的电子设备执行。

其中，图3示出了根据本公开一示例性的实施例中终端耗电数据的处理方法的流程示意图。参考图3，该方法包括以下步骤：

S310，获取目标终端在待机状态下的至少一个耗电特征；

S320，基于特征解释模型处理每个耗电特征，确定每个耗电特征的耗电占比；以及，

S330，根据耗电占比，确定目标终端在待机状态下每个耗电特征分别对应的耗电量。

其中，上述特征解释模型是根据耗电量预测模型确定的，而上述耗电量预测模型用于预测上述目标终端在待机状态下的耗电总量。

图3所示实施例提供的技术方案中，采用根据机器学习模型确定的解释模型来解释每个耗电特征的耗电占比，从而达到对目标终端在待机状态下的耗电数据进行定量分析的技术效果，同时，有利于提升待机耗电的分析准确度。

以下对图3所示实施例所提供的技术方案中各个步骤的具体实施方式进行解释说明：

在描述S310的具体实施方式之前，先通过图4和图5介绍上述耗电预测模型的确定方案实施例。参考图4，该实施例提供的方法包括S410和S420。

在S410中，获取多组样本数据，每组样本数据包括：样本终端在待机状态下的至少一个耗电特征，每个耗电特征对应的特征值，以及样本终端在待机状态下的实际耗电量。

在示例性的实施例中，作为步骤S410的具体实施方式，参考图5示出的S411-S413：

在S411中，获取满足待机时长特征的终端使用数据，得到所述样本终端在目标待机状态下的终端使用数据。

本实施例中，用于训练上述耗电量预测模型的样本数据所对应的终端记作“样本终端”，以区别于上述“目标终端”。

示例性的，通过待机时长特征来筛选于待机状态下的数据。

在示例性的实施例中，为了提升样本数据的价值含量进而有利于提升训练后模型的预测准确度，本实施例设置“待机时长特征”，示例性的，待机时长特征可以是个关于时长的区间，如，[1小时，10小时]。进一步地，通过待机时长特征对原始的终端使用数据进行筛选，得到满足上述时长区间的终端使用数据，并将待机时长不在预设范围内的终端使用数据筛除。

示例性的，终端A在某日13：05进入待机状态，然而在待机时长持续小于10分钟，则本实施例中不将该待机状态下产生的数据用于训练机器学习模型，终端B待机时长超过24小时，则将终端B在待机状态下的产生的数据筛除，即也不将其用于训练机器学习模型。

示例性的，将满足上述“待机时长特征”的终端使用数据确定为样本终端在“目标待机状态”下的终端使用数据。

其中，上述原始的终端使用数据可以是用户在使用终端的过程中终端产生的所有数据。进一步地，需要将这些数据中与后续模型训练不相关的数据进行删除，以提升模型训练效率以及模型预测准确度。示例性的，由于训练后的机器学习模型用于预测终端在待机状态下的总耗电量，则本实施例获取的样本数据应涉及终端在待机状态下的数据，因此，将删除终端在亮屏状态下的数据。在另一种实施例中，还可以直接获取用户的在待机状态下的终端使用数据。本方案对此不做限定。

进一步地，通过上述“待机时长特征”对上述待机状态下的终端使用数据进行上述筛选，最终获得本终端在“目标待机状态”下的终端使用数据。

在S412中，根据样本终端在目标待机状态下的终端使用数据，确定每个样本终端在目标待机状态下的至少一个耗电特征，和每个耗电特征对应的特征值，以及获取目标待机状态下的实际耗电量；以及在S413中，将每个样本终端在目标待机状态下的至少一个耗电特征、每个耗电特征对应的特征值，以及目标待机状态下的实际耗电量确定为一组样本数据，得到多组样本数据。

需要说明的是，上述目标待机状态可以是样本终端的满足上述待机时长特征的任意一次待机。本实施例中，获取一样本终端在同一次目标待机状态下的所有与耗电相关的特征，以及各个特征对应的特征值，还获取该次目标待机状态对应的耗电量，并将耗电特征、每个耗电特征对应的特征值以及该次待机状态的实际耗电量确定为一组样本数据。

其中，上述耗电特征是指在该次目标待机状态下所有引起耗电的特征，如modem外围子系统的休眠比、wifi使能开关的开启状态等。上述特征值为各个耗电特征的数据或状态的表征。如，耗电特征modem外围子系统的休眠比数值为“1.86％”，则其特征值可以表示为“1.86”；耗电特征wifi使能开关状态为“开启”，则其特征值可以表示为“1”。

在示例性的实施例中，为了使得样本之间的统一性，还需对特征值进行规范化处理。示例性的，将不同的衡量单位应为相同的衡量单位。例如，在上述目标待机状态下的终端使用数据中，不同用户之间关于相同特征的衡量单元也可能存在不一致，例如，终端a在待机状态下通过Wifi下载数据量的衡量单位为GB，而终端b在待机状态下通过Wifi下载数据量的衡量单位为B，进而将上述衡量单位GB、b映射至衡量单位KB。示例性的，对于离散型特征值则需进行编码处理。本方案对各个待机特征分别对应的特征值进行规范化处理，以通过具备统一性的样本数据进行模型训练从而有利于提升模型的预测准确程度。

继续参考图4，在S420中，通过多组样本数据训练回归类机器学习模型，得到耗电量预测模型。

在示例性的实施例中，作为步骤S420的具体实施方式，参考图5示出的S421-S422：

在S421中，将多组样本中的目标组样本对应的耗电特征、每个耗电特征对应的特征值作为回归类机器学习模型的输入，以及将目标组样本所对应样本终端的预测耗电总量作为模型的拟合目标，对回归类机器学习模型进行训练。

在示例性的实施例中，对多组样本数据进行拟合回归，示例性的算法包括：线性回归算法、LinearSVR线性支持向量回归算法、RandomForest随机森林回归算法、xgboost回归孙发、lightgbm算法等。

在S422中，基于测试样本对应的实际耗电量和预测耗电量对训练后的回归类机器学习模型进行测试，将满足预设测试指标的模型确定为耗电量预测模型。

在示例性的实施例中，通过多组训练样本对上述回归类型的机器学习模型进行多轮训练优化，得到训练后的回归类机器学习模型。进一步地，通过测试样本对应的实际耗电量和预测耗电量对训练过程中的机器学习分类模型进行测试，将满足预设评价指标的机器学习分类模型确定为目标识别模型。

其中，上述测试样本与上述训练样本均属于上述样本数据，可以在训练模型之前对上述多组样本数据按照比例进行划分，得到训练样本和测试样本。将一组测试样本中的特征及其对应的特征值输入训练后的回归类机器学习模型，模型输入则为该组测试样本对应的预测耗电量。通过多组样本的预测耗电量和实际耗电量对训练过程中的机器学习分类模型进行测试。

在示例性的实施例中，可以通过以下模型评价指标中的一种或多种：准确率、召回率和接收者操作特征曲线(receiver operating characteristic curve，简称：ROC)下面积AUC(一种模型评价指标，具体用于评估模型的预测价值；是Area Under Curve的简称)对上述训练后的回归类型的机器学习分类模型进行评价。并将满足预算评价条件的机器学习分类模型确定为耗电量预测模型(如，预测电流耗电量达到均方根误差接近3mA)。

示例性的，图6示出了根据本公开一示例性的实施例中耗电量预测模型的回归效果的示意图。其中，横坐标为测试样本中的实际电流值：为待机状态下的平均电流值(AverageCurrent)，纵坐标为耗电量预测模型的输出值：为待机状态下的预测电流值(Predicted)。参考图6，可以发现除了个别较大的值预测误差较大外，其余数据均能较好拟合。

需要注意的是，上述实施例通过样本数据(已有的耗电特征组合)能够有效地预测出待机状态下的耗电量，说明耗电特征组合中各个特征对于耗电量的影响是存在一定规律的。因此，上述耗电量预测模型不仅可以用于对目标终端在待机状态下的耗电量预测，还能够用于确定上述特征解释模型。

也就是说，本技术方案在确定上述耗电量预测模型之后，还根据上述耗电量预测模型确定解释模型，以实现对目标终端在待机状态下的耗电数据进行定量分析。

在所述耗电量预测模型为线性类型的回归模型的情况下，可以根据耗电量预测模型的每个输入特征的权重，确定输入特征所对应的耗电特征的耗电占比，从而得到所述特征解释模型。

在耗电量预测模型为非线性类型的回归模型的情况下，图7示出了根据本公开一示例性的实施例中特征解释模型的确定方法的流程示意图。参考图7，包括S710-S740。

在S710中，确定包含M个待测特征的特征集，M为大于1的整数。

示例性的，上述特征集可以来自样本数据，具体地一组样本数据中所包含的耗电特征可以作为一上述特征集。进一步地，基于上述耗电量预测模型，确定上述特征集中M个待测特征的耗电占比，以确定特征解释模型。具体地：

在S720中，将特征集中的待测特征以及待测特征的特征值作为输入量，多次输入至耗电量预测模型，其中，不同次输入耗电量预测模型的输入量之间，至少存在一个待测特征的特征值不同。

在示例性的实施例中，对每个待测特征确定多个特征值，并根据M个待测特征的特征值确定多种特征值组合。

在示例性的实施例中，假如该特征集中包括以下三(即M取值为3)个待测特征：特征A、特征B和特征C。为每个特征确定多个特征值。如，特征A的多个特征值：A1、A2、A3、A4……；特征B的多个特征值：B1、B2、B3、B4……；特征C的多个特征值：C1、C2、C3、C4……。进一步地，根据上述特征A、特征B和特征C的特征值确定多种特征值组合，如:(A1、B1、C1)、(A1、B1、C2)、(A1、B2、C1)等。

进一步地，将待测特征以及每一种特征值组合作为耗电量预测模型的输入特征进行预测。

示例性的，将特征值取A1的特征A、特征值取B1的特征B和特征值取C1的特征C输入至上述耗电量预测模型。或，将特征值取A1的特征A、特征值取B1的特征B和特征值取C2的特征C输入至上述耗电量预测模型，等。

在S730中，根据耗电量预测模型输出的多个预测耗电量，确定M个待测特征分别对预测耗电量的耗电占比，得到特征解释模型。

假如，在上述特征集对于目标终端在待机状态下耗电影响的分析过程中，为了确定待测特征C的耗电占比的情况下，可以固定待测特征A和待测特征B，通过变化待测特征C的特征值的方式来观察耗电量预测模型的输出值的变化。

可见，本技术方案中对于非线性的耗电量预测模型的解释模型的确定方式为：每个样本(包含多个待测特征的特征集)，可以对其每个特征的一些取值进行采样，通过对特征值的更改组合，可以发现各个特征对模型输出结果的耗电占比。进一步地，确定每个样本中各个特征对应地对耗电量的耗电占比的规律之后，便可以确定上述特征解释模型。

在示例性的实施例中，图8示出了根据本公开另一示例性的实施例中终端耗电数据的处理方法的流程示意图，该图所示实施例是在图3所示实施例的基础上进行的。参考图8，包括：

S310，获取目标终端在待机状态下的至少一个耗电特征。

本实施例中，上述目标终端是任意一个待测待机状态下耗电量的终端。上述耗电特征可以是待机状态下可能造成耗电的所有特征。关于终端在待机状态下可能的耗电特征可以参考图2所示实施例。例如，Modem唤醒、Wlan唤醒、数据包唤醒、alarm唤醒、开环差模电压放大倍数aod、特殊环境、Framework唤醒、Kernel唤醒等。

进一步地，还获取上述耗电特征在上述目标终端处于待机状态下的情形中的特征值。

S320，基于特征解释模型处理每个耗电特征，确定每个耗电特征的耗电占比。以及，S320’，将每个耗电特征输入耗电量预测模型，得到目标终端在待机状态下的预测耗电总量。

需要说明的是，S320与S320’的执行顺序不分先后，可以限制性S320再执行S320’，也可以先执行S320’再执行S320，还可以S320与S320’同时执行。

示例性的，上述目标终端在待机状态下的所有耗电特征包括：特征M、特征N和特征Z。

一方面，将上述特征及其特征值输入上述特征解释模型，根据特征解释模型的输出确定各个特征对耗电量的耗电占比，例如，特征M的耗电占比为20％、特征N的耗电占比为50％和特征Z的耗电占比为30％。

另一方面，将上述特征及其特征值输入上述耗电量预测模型，预测上述目标终端在待机状态下的预测耗电量，假如为200毫安。

进一步地，作为S330的一种具体实施方式，在S331中：根据耗电占比和预测耗电总量，确定目标终端在待机状态下每个耗电特征分别对应的耗电量。

示例性的，根据步骤S320’确定的预测耗电量(该目标终端在此次待机状态下的总耗电量)，以及各个耗电特征分别对应的耗电占比，从而可以确定每个耗电特征分别对应的耗电量。如上述实施例中，特征A在此次待机状态下的耗电量为40毫安、特征B在此次待机状态下的耗电量为100毫安，以及特征C在此次待机状态下的耗电量为60毫安。

可见本技术方案能够确定对待机状态下所有耗电特征分别对应的耗电量，从而确定目标终端在待机状态下每个所述耗电特征分别对应的耗电量，到达对目标终端在待机状态下耗电数据的定量分析。

在示例性的实施例中，表1示出了目标终端在待机状态下存在下述7个耗电特征，以及各个耗电特征对应的特征值。根据上述图8所示所示实施例提供的技术方案确定了各个耗电特征分别对应的耗电影响量：

表1

参考表1，其中耗电影响量最大值为89.6，表示导致该目标终端在待机状态下耗电的主要原因是ModemSubspendRatio(即，耗电特征为：ModemSubspendRati，其特征值为1.86％)。其次的耗电影响量为48.3，为Wifi热点的开启状态(即，耗电特征为：WifiApEnabled，其特征值为：开启状态)。

另外，参考表1，Vmin的休眠比(mVminSuspendRatio)(即，特征值)为0％；Modem的休眠比(ModemSubspendRatio)为1.86％。按照相关技术提供的分析思路，可能会定性地任务休眠比较小的Vmin更能影响耗电量。但是通过本技术方案提供的基于模型的分析方案，发现定量的确定：ModemSubspendRatio的耗电影响量为89.6，mVminSuspendRatio的耗电影响量为30.2。因此，ModemSubspendRatio导致的预测额外耗电量较大，通过对目标终端在待机状态下的耗电数据进行定量分析，克服了相关技术中只能够进行定性分析的问题，同时本技术方案提供的待机耗电方案还具有较高的分析准确度。

对应于图2所示构架图的第五部分，可以作为本技术方案的后续任务：当达成了对一个样本数据进行解释的目的后，容易想到的是对一个群体进行解释。通过将样本分群分析，研究其背后的规律和演变趋势，可以帮助对某些重点群体进行优化，提升对群体整体的管理体验。

在示例性的实施例中，本技术方案还包括：获取终端用户群体的终端使用数据，以分析终端用户群体终端使用群体的待机耗电规律。具体地：

获取多个目标终端的终端使用数据，即获取属于上述终端用户群体中不同用户的多个终端的终端使用数据。然后基于上述耗电量预测模型以及上述特征解释模型，确定上述多个目标终端中每个目标终端在待机状态下每个所述耗电特征分别对应的耗电量。进一步地，根据每个目标终端在待机状态下各个耗电特征分别对应的耗电量，确定多个目标终端的终端使用数据对应的规律数据。

也就是说，通过对各个目标终端的待机耗电的定量分析，可以实现对终端用户群体对应的待机耗电的定量分析，进而可以总结出终端使用群体的待机耗电规律数据。示例性的，相关技术提供的终端耗电数据分析方案只能定性地筛选到某种原因，比如群体X均是由于特征x导致其终端在待机状态下耗电量较大。通过本技术方案则可以定量地筛选出导致群体X的终端待机耗电的TOP3特征。通过对比，还可以确定哪几种耗电特征确定的耗电特征组合会对实际耗电电流的影响较大，或者还可以确定实际的待机耗电过多的终端用户，及其分别的主要耗电特征，进一步地开可以分析主要耗电特征、之间的规律(如，可以根据时间变化来确定该规律等)。

针对相关技术提供的方案中存在的对待机耗电的分析效率低、只能定性分析不能定量解释的技术问题，本方案提出了一种新的分析框架。核心内容在于通过对原始耗电数据进行拟合回归，训练出拟合效果较好的耗电量预测模型。并进一步的地对模型进行解释，从而对待机耗电的每个样本都能够进行定量解释，可以定量展示每个特征对待机耗电结果造成的影响程度，从而，在提升分析效率保证分析准确度的基础上，更加方便开发者和调试人员观察问题、分析问题。

需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

其中，图9示出了根据本公开一示例性的实施例中终端耗电数据的处理装置的结构图。请参见图9，该图所示的终端耗电数据的处理装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分，还可以作为独立的模块集成于服务器上。

本公开实施例中的终端耗电数据的处理装置900包括：特征获取模块910、耗电占比确定模块920和分析数据确定模块930，其中：

上述特征获取模块910，用于获取目标终端在待机状态下的至少一个耗电特征；上述耗电占比确定模块920，用于基于特征解释模型处理每个上述耗电特征，确定每个上述耗电特征的耗电占比；以及，上述分析数据确定模块930，用于根据上述耗电占比，确定上述目标终端在待机状态下每个上述耗电特征分别对应的耗电量；其中，上述特征解释模型是根据耗电量预测模型确定的，上述耗电量预测模型用于预测上述目标终端在待机状态下的耗电总量。

在示例性的实施例中，图10示意性示出了根据本公开另一示例性的实施例中终端耗电数据的处理装置的结构图。请参见图10：

在示例性的实施例中，上述终端耗电数据的处理装置900还包括：样本获取模块940和预测模型确定模块950。其中，

上述样本获取模块940，用于：获取多组样本数据，每组上述样本数据包括：样本终端在待机状态下的至少一个耗电特征，每个上述耗电特征对应的特征值，以及上述样本终端在待机状态下的实际耗电量；上述预测模型确定模块950，用于：通过上述多组样本数据训练回归类机器学习模型，得到上述耗电量预测模型。

在示例性的实施例中，上述样本获取模块940，具体用于获取满足待机时长特征的终端使用数据，得到上述样本终端在目标待机状态下的终端使用数据；根据上述样本终端在目标待机状态下的终端使用数据，确定每个上述样本终端在上述目标待机状态下的至少一个耗电特征，和每个上述耗电特征对应的特征值，以及获取上述目标待机状态下的实际耗电量；以及，将每个上述样本终端在上述目标待机状态下的至少一个耗电特征、每个上述耗电特征对应的特征值，以及上述目标待机状态下的实际耗电量确定为一组上述样本数据，得到上述多组样本数据。

在示例性的实施例中，上述预测模型确定模块950，具体用于：将多组样本中的目标组样本对应的耗电特征、每个耗电特征对应的特征值作为回归类机器学习模型的输入，以及将上述目标组样本所对应样本终端的预测耗电量作为模型的拟合目标，对上述回归类机器学习模型进行训练；以及，基于测试样本对应的实际耗电量和预测耗电量对训练后的回归类机器学习模型进行测试，得到满足预算评价指标的耗电量预测模型。

在示例性的实施例中，上述耗电量预测模型为线性类型的回归模型，上述装置还包括：解释模型确定模块960。

其中，上述解释模型确定模块960，用于：在上述耗电占比确定模块920基于特征解释模型处理每个上述耗电特征，确定每个上述耗电特征的耗电占比之前，根据上述耗电量预测模型的每个输入特征的权重，确定上述输入特征所对应的耗电特征的耗电占比，得到上述特征解释模型。

在示例性的实施例中，上述耗电量预测模型为非线性类型的回归模型，上述解释模型确定模块960，包括：特征集确定单元9601和模型确定单元9602。其中，

上述特征集确定单元9601，用于：确定包含M个待测特征的特征集，M为大于1的整数；上述模型确定单元9602，用于：将上述特征集中的待测特征以及上述待测特征的特征值作为输入量，多次输入至上述耗电量预测模型，其中，不同次输入上述耗电量预测模型的输入量之间，至少存在一个待测特征的特征值不同；根据上述耗电量预测模型输出的多个预测耗电量，确定上述M个待测特征分别对上述预测耗电量的耗电占比，得到上述特征解释模型。

在示例性的实施例中，上述装置还包括：耗电总量预测模块970。其中，

上述耗电总量预测模块970，用于：在上述分析数据确定模块930根据上述耗电占比，确定上述目标终端在待机状态下每个上述耗电特征分别对应的耗电量之前，将每个上述耗电特征输入上述耗电量预测模型，得到上述目标终端在待机状态下的预测耗电总量；

上述分析数据确定模块930具体用于：根据上述耗电占比和上述预测耗电总量，确定对每个上述耗电特征分别的对应的耗电量，得到上述目标终端在待机状态下每个上述耗电特征分别对应的耗电量。

在示例性的实施例中，上述终端耗电数据的处理装置900还包括：群体规律确定模块980。其中，

上述群体规律确定模块980，用于：获取多个目标终端的终端使用数据；基于上述耗电量预测模型以及上述特征解释模型，确定上述多个目标终端中每个目标终端在待机状态下每个上述耗电特征分别对应的耗电量；根据上述每个目标终端在待机状态下每个上述耗电特征分别对应的耗电量，确定上述多个目标终端的终端使用数据对应的规律数据。

需要说明的是，上述实施例提供的终端耗电数据的处理装置在执行终端耗电数据的处理装方法时，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，上述实施例提供的终端耗电数据的处理装置与终端耗电数据的处理装方法实施例属于同一构思，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的终端耗电数据的处理装方法的实施例，这里不再赘述。

上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。

本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一实施例方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。

本公开实施例还提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例方法的步骤。

图11示意性示出了根据本公开一示例性的实施例中终端的结构图。请参见图11所示，终端1100包括有：处理器1101和存储器1102。

本公开实施例中，处理器1101为计算机系统的控制中心，可以是实体机的处理器，也可以是虚拟机的处理器。处理器1101可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1101可以采用DSP(DigitalSignalProcessing，数字信号处理)、FPGA(Field－ProgrammableGateArray，现场可编程门阵列)、PLA(ProgrammableLogicArray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1101也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。

在本公开实施例中，所述处理器1101具体用于：

获取目标终端在待机状态下的至少一个耗电特征；基于特征解释模型处理每个上述耗电特征，确定每个上述耗电特征的耗电占比；根据上述耗电占比，确定上述目标终端在待机状态下每个上述耗电特征分别对应的耗电量；其中，上述特征解释模型是根据耗电量预测模型确定的，上述耗电量预测模型用于预测上述目标终端在待机状态下的耗电总量。

可选的，上述方法还包括：获取多组样本数据，每组上述样本数据包括：样本终端在待机状态下的至少一个耗电特征，每个上述耗电特征对应的特征值，以及上述样本终端在待机状态下的实际耗电量；通过上述多组样本数据训练回归类机器学习模型，得到上述耗电量预测模型。

可选的，上述获取多组样本数据，包括：获取满足待机时长特征的终端使用数据，得到上述样本终端在目标待机状态下的终端使用数据；根据上述样本终端在目标待机状态下的终端使用数据，确定每个上述样本终端在上述目标待机状态下的至少一个耗电特征，和每个上述耗电特征对应的特征值，以及获取上述目标待机状态下的实际耗电量；以及，将每个上述样本终端在上述目标待机状态下的至少一个耗电特征、每个上述耗电特征对应的特征值，以及上述目标待机状态下的实际耗电量确定为一组上述样本数据，得到上述多组样本数据。

可选的，上述通过上述多组样本数据训练回归类机器学习模型，得到上述耗电量预测模型，包括：将多组样本中的目标组样本对应的耗电特征、每个耗电特征对应的特征值作为回归类机器学习模型的输入，以及将上述目标组样本所对应样本终端的预测耗电量作为模型的拟合目标，对上述回归类机器学习模型进行训练；以及，基于测试样本对应的实际耗电量和预测耗电量对训练后的回归类机器学习模型进行测试，得到满足预算评价指标的耗电量预测模型。

可选的，上述耗电量预测模型为线性类型的回归模型，在上述根据上述耗电占比，确定上述目标终端在待机状态下每个上述耗电特征分别对应的耗电量之前，上述方法还包括：根据上述耗电量预测模型的每个输入特征的权重，确定上述输入特征所对应的耗电特征的耗电占比，得到上述特征解释模型。

可选的，上述耗电量预测模型为非线性类型的回归模型，上述基于特征解释模型处理每个上述耗电特征，确定每个上述耗电特征的耗电占比之前，上述方法还包括：确定包含M个待测特征的特征集，M为大于1的整数；将上述特征集中的待测特征以及上述待测特征的特征值作为输入量，多次输入至上述耗电量预测模型，其中，不同次输入上述耗电量预测模型的输入量之间，至少存在一个待测特征的特征值不同；根据上述耗电量预测模型输出的多个预测耗电量，确定上述M个待测特征分别对上述预测耗电量的耗电占比，得到上述特征解释模型。

可选的，在上述根据上述耗电占比，确定上述目标终端在待机状态下每个上述耗电特征分别对应的耗电量之前，上述方法还包括：将每个上述耗电特征输入上述耗电量预测模型，得到上述目标终端在待机状态下的预测耗电总量；上述根据上述耗电占比，确定上述目标终端在待机状态下每个上述耗电特征分别对应的耗电量，包括：根据上述耗电占比和上述预测耗电总量，确定每个上述耗电特征分别对应的耗电量。

可选的，上述方法还包括：获取多个目标终端的终端使用数据；基于上述耗电量预测模型以及上述特征解释模型，确定上述多个目标终端中每个目标终端在待机状态下每个上述耗电特征分别对应的耗电量；根据上述每个目标终端在待机状态下每个上述耗电特征分别对应的耗电量，确定上述多个目标终端的终端使用数据对应的规律数据。

存储器1102可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1102还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在本公开的一些实施例中，存储器1102中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1101所执行以实现本公开实施例中的方法。

一些实施例中，终端1100还包括有：外围设备接口1103和至少一个外围设备。处理器1101、存储器1102和外围设备接口1103之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1103相连。具体地，外围设备包括：显示屏1104、摄像头1105和音频电路1106中的至少一种。

外围设备接口1103可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1101和存储器1102。在本公开的一些实施例中，处理器1101、存储器1102和外围设备接口1103被集成在同一芯片或电路板上；在本公开的一些其他实施例中，处理器1101、存储器1102和外围设备接口1103中的任意一个或两个可以在单独的芯片或电路板上实现。本公开实施例对此不作具体限定。

显示屏1104用于显示UI(UserInterface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1104是触摸显示屏时，显示屏1104还具有采集在显示屏1104的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1101进行处理。此时，显示屏1104还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在本公开的一些实施例中，显示屏1104可以为一个，设置终端1100的前面板；在本公开的另一些实施例中，显示屏1104可以为至少两个，分别设置在终端1100的不同表面或呈折叠设计；在本公开的再一些实施例中，显示屏1104可以是柔性显示屏，设置在终端1100的弯曲表面上或折叠面上。甚至，显示屏1104还可以设置成非矩形的不规则图形，也即异形屏。显示屏1104可以采用LCD(Liquid CrystalDisplay，液晶显示屏)、OLED(OrganicLight-EmittingDiode,有机发光二极管)等材质制备。

摄像头1105用于采集图像或视频。可选地，摄像头1105包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(VirtualReality，虚拟现实)拍摄功能或者其它融合拍摄功能。在本公开的一些实施例中，摄像头1105还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路1106可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1101进行处理。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1100的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。

电源1107用于为终端1100中的各个组件进行供电。电源1107可以是交流电、直流电、一次性电池或可充电电池。当电源1107包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

本公开实施例中示出的终端结构框图并不构成对终端1100的限定，终端1100可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

在本公开中，术语“第一”、“第二”等仅用于描述的目的，而不能理解为指示或暗示相对重要性或顺序；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开中的具体含义。

本公开的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本公开的限制。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，依本公开权利要求所作的等同变化，仍属本公开所涵盖的范围。

Claims (11)

1.一种终端耗电数据的处理方法，其特征在于，包括：

获取目标终端在待机状态下的至少一个耗电特征；

基于特征解释模型处理每个所述耗电特征，确定每个所述耗电特征的耗电占比；

根据所述耗电占比，确定所述目标终端在待机状态下每个所述耗电特征分别对应的耗电量；

其中，所述特征解释模型是根据耗电量预测模型确定的，所述耗电量预测模型用于预测所述目标终端在待机状态下的耗电总量。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多组样本数据，每组所述样本数据包括：样本终端在待机状态下的至少一个耗电特征，每个所述耗电特征对应的特征值，以及所述样本终端在待机状态下的实际耗电量；

通过所述多组样本数据训练回归类机器学习模型，得到所述耗电量预测模型。

3.根据权利要求2所述的方法，其特征在于，所述获取多组样本数据，包括：

获取满足待机时长特征的终端使用数据，得到所述样本终端在目标待机状态下的终端使用数据；

根据所述样本终端在目标待机状态下的终端使用数据，确定每个所述样本终端在所述目标待机状态下的至少一个耗电特征，和每个所述耗电特征对应的特征值，以及获取所述目标待机状态下的实际耗电量；

将每个所述样本终端在所述目标待机状态下的至少一个耗电特征、每个所述耗电特征对应的特征值，以及所述目标待机状态下的实际耗电量确定为一组所述样本数据，得到所述多组样本数据。

4.根据权利要求2所述的方法，其特征在于，所述通过所述多组样本数据训练回归类机器学习模型，得到所述耗电量预测模型，包括：

将所述多组样本中的目标组样本对应的耗电特征、每个耗电特征对应的特征值作为回归类机器学习模型的输入，以及将所述目标组样本所对应样本终端的预测耗电量作为模型的拟合目标，对所述回归类机器学习模型进行训练；

基于测试样本对应的实际耗电量和预测耗电量对训练后的回归类机器学习模型进行测试，得到满足预算评价指标的耗电量预测模型。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述耗电量预测模型为线性类型的回归模型；

在所述基于特征解释模型处理每个所述耗电特征，确定每个所述耗电特征的耗电占比之前，所述方法还包括：

根据所述耗电量预测模型的每个输入特征的权重，确定所述输入特征所对应的耗电特征的耗电占比，得到所述特征解释模型。

6.根据权利要求1至4中任意一项所述的方法，其特征在于，所述耗电量预测模型为非线性类型的回归模型；

在所述基于特征解释模型处理每个所述耗电特征，确定每个所述耗电特征的耗电占比之前，所述方法还包括：

确定包含M个待测特征的特征集，M为大于1的整数；

将所述特征集中的待测特征以及所述待测特征的特征值作为输入量，多次输入至所述耗电量预测模型，其中，不同次输入所述耗电量预测模型的输入量之间，至少存在一个待测特征的特征值不同；

根据所述耗电量预测模型输出的多个预测耗电量，确定所述M个待测特征分别对所述预测耗电量的耗电占比，得到所述特征解释模型。

7.根据权利要求1至4中任意一项所述的方法，其特征在于，在所述根据所述耗电占比，确定所述目标终端在待机状态下每个所述耗电特征分别对应的耗电量之前，所述方法还包括：

将每个所述输入所述耗电量预测模型，得到所述目标终端在待机状态下的预测耗电总量；

所述根据所述耗电占比，确定所述目标终端在待机状态下每个所述耗电特征分别对应的耗电量，包括：

根据所述耗电占比和所述预测耗电总量，确定每个所述耗电特征分别对应的耗电量。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

获取多个目标终端的终端使用数据；

基于所述耗电量预测模型以及所述特征解释模型，确定所述多个目标终端中每个目标终端在待机状态下每个所述耗电特征分别对应的耗电量；

根据所述每个目标终端在待机状态下每个所述耗电特征分别对应的耗电量，确定所述多个目标终端的终端使用数据对应的规律数据。

9.一种终端耗电数据的处理装置，其特征在于，包括：

特征获取模块，用于获取目标终端在待机状态下的至少一个耗电特征；

耗电占比确定模块，用于基于特征解释模型处理每个所述耗电特征，确定每个所述耗电特征的耗电占比；

分析数据确定模块，用于根据所述耗电占比，确定所述目标终端在待机状态下每个所述耗电特征分别对应的耗电量；

其中，所述特征解释模型是根据耗电量预测模型确定的，所述耗电量预测模型用于预测所述目标终端在待机状态下的耗电总量。

10.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的终端耗电数据的处理方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的终端耗电数据的处理方法。

Images