CN114610131A - 终端的温度控制方法、装置、终端及存储介质 - Google Patents

终端的温度控制方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN114610131A
CN114610131A CN202210272478.4A CN202210272478A CN114610131A CN 114610131 A CN114610131 A CN 114610131A CN 202210272478 A CN202210272478 A CN 202210272478A CN 114610131 A CN114610131 A CN 114610131A
Authority
CN
China
Prior art keywords
terminal
temperature
dimension
temperature control
data
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
Application number
CN202210272478.4A
Other languages
English (en)
Inventor
陈新富
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.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp 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 Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN202210272478.4A priority Critical patent/CN114610131A/zh
Publication of CN114610131A publication Critical patent/CN114610131A/zh
Pending legal-status Critical Current

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
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • G06F1/206—Cooling means comprising thermal management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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

Abstract

本申请公开了一种终端的温度控制方法、装置、终端及存储介质，终端的温度控制方法方法包括：采集第一终端的至少两个维度的数据；其中，所述至少两个维度包括第一维度和至少一个第二维度；所述第一维度表征所述第一终端的测量温度，所述第二维度表征所述第一终端的用户使用数据；将采集到的数据输入至随机森林模型，得到第一体感温度；其中，所述随机森林模型基于多个第二终端中每个第二终端对应的M个维度的采集数据和训练样本的标定值训练得到；所述M个维度包括第一维度和至少一个第二维度；训练样本对应的标定值表征对应终端标定的体感温度；基于所述第一体感温度调整温度控制策略。

Description

终端的温度控制方法、装置、终端及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种终端的温度控制方法、装置、终端及存储介质。
背景技术
相关技术中，基于终端中的温度采集点的测量温度，执行相应的温度控制策略，例如，限制终端的处理器频率、降低终端的显示屏的亮度等，从而调节终端的功耗，进而调节终端在运行过程中产生的热量。然而这种温控方案可能导致用户无法使用部分功能或应用，不符合用户的实际需求。
发明内容
有鉴于此，本申请实施例提供一种终端的温度控制方法、装置、终端及存储介质，以解决相关技术中的温控方案可能导致用户无法使用部分功能或应用的技术问题。
为达到上述目的，本申请的技术方案是这样实现的：
本申请实施例提供了一种终端的温度控制方法，包括：
采集第一终端的至少两个维度的数据；其中，所述至少两个维度包括第一维度和至少一个第二维度；所述第一维度表征所述第一终端的测量温度，所述第二维度表征所述第一终端的用户使用数据；
将采集到的数据输入至随机森林模型，得到第一体感温度；
其中，所述随机森林模型基于多个第二终端中每个第二终端对应的M个维度的采集数据和训练样本的标定值训练得到；所述M个维度包括第一维度和至少一个第二维度；训练样本对应的标定值表征对应终端标定的体感温度；
基于所述第一体感温度调整温度控制策略；其中，所述温度控制策略用于控制所述第一终端在运行的过程中产生的热量。
上述方案中，所述随机森林模型通过以下方式训练得到：
基于多个第二终端中每个第二终端对应的M个维度的采集数据，抽样得到N个训练样本集；其中，训练样本集中的每个训练样本基于一个第二终端的采集数据抽样得到，且抽样的维度和/或维度数量随机；每个训练样本对应的维度包括第一维度和至少一个第二维度；所述N大于或等于2；
采用所述N个训练样本集中的每个训练样本集及训练样本对应的标定值对应训练一棵决策树，得到包括N棵决策树的随机森林模型。
上述方案中，所述将采集到的数据输入至随机森林模型，包括：
基于所述N棵决策树中每棵决策树的非叶子节点的名称，从采集到的数据中确定出决策树对应的维度的数据，将确定出的数据输入至对应的决策树中。
上述方案中，所述第二维度包括以下至少之一：
第一终端用户的属性信息；
所述第一终端的运行数据；
所述第一终端用户的行为偏好数据。
所述采集第一终端的至少两个维度的数据，包括以下之一：
基于净推荐值NPS报告，采集第一终端用户的属性信息；
采集所述第一终端的运行数据；
基于所述第一终端的应用列表和/或应用的使用数据，确定所述第一终端用户的行为偏好数据。
上述方案中，所述基于所述第一体感温度调整温度控制策略，包括：基于所述随机森林模型中每棵决策树输出的第一体感温度，确定出所述第一终端的第二体感温度；
基于所述第二体感温度调整温度控制策略。
上述方案中，所述基于所述第二体感温度调整温度控制策略，包括：
在所述第一终端的测量温度大于或等于设定阈值的情况下，执行所述第二体感温度对应的温度控制策略。
上述方案中，所述执行所述第二体感温度对应的温度控制策略，包括：
在所述第二体感温度高于所述第一终端的测量温度的情况下，执行第一温度控制策略；或
在所述第二体感温度低于所述第一终端的测量温度的情况下，执行第二温度控制策略；其中，所述第一温度控制策略对应产生的终端功耗小于所述第二温度控制策略对应产生的终端功耗。
本申请实施例还提供了一种终端的温度控制装置，包括：
采集单元，用于采集第一终端的至少两个维度的数据；所述至少两个维度包括第一维度和至少一个第二维度；所述第一维度表征所述第一终端的测量温度，所述第二维度表征所述第一终端的用户使用数据；
预测单元，用于将采集到的数据输入至随机森林模型，得到第一体感温度；其中，所述随机森林模型基于多个第二终端中每个第二终端对应的M个维度的采集数据和训练样本的标定值训练得到；所述M个维度包括第一维度和至少一个第二维度；训练样本对应的标定值表征对应终端标定的体感温度；
温度控制单元，用于基于所述第一体感温度调整温度控制策略；其中，所述温度控制策略用于控制所述第一终端在运行的过程中产生的热量。
本申请实施例还提供了一种终端，包括：处理器和用于存储能够在所述处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行上述终端的温度控制方法的步骤。
本申请实施例还提供了一种计算机可读的存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述终端的温度控制方法的步骤。
本申请实施例，采集第一终端的至少两个维度的数据，所述至少两个维度包括第一维度和至少一个第二维度；所述第一维度表征所述第一终端的测量温度，所述第二维度表征所述第一终端的用户使用数据；将采集到的数据输入至训练后的随机森林模型，得到第一终端的体感温度，基于所述第一体感温度调整温度控制策略。由此，可以预测出第一终端的体感温度，从而根据第一终端的体感温度执行相应的温度控制策略，提高执行的温度控制策略与用户的实际需求的匹配度。
附图说明
图1为本申请实施例提供的终端的温度控制方法的实现流程示意图；
图2为本申请实施例提供的终端的温度控制方法的示意图；
图3为本申请实施例提供的模型训练方法的实现流程示意图；
图4为本申请实施例提供的模型训练方法的示意图；
图5为本申请应用实施例提供的终端的温度控制方法的实现流程示意图；
图6为本申请实施例提供的终端的温度控制装置的结构示意图；
图7为本申请实施例提供的终端的硬件组成结构示意图。
具体实施方式
相关技术中，终端基于终端中的温度采集点的测量温度，执行相应的温度控制策略。然而，针对同一测量温度，不同的用户对终端的热感觉程度可能不同，例如，有的用户可能觉得终端不热，有的用户可能感觉终端发热。用户对终端设备的热感觉程度不同，对温度控制策略的需求可能不同，相关技术中，未考虑用户对终端的体感温度，根据测量温度执行相应的温度控制策略，可能导致用户无法使用部分功能或应用，不符合用户的实际需求。
基于此，本申请实施例提供了一种终端的温度控制方法，采集第一终端的至少两个维度的数据，所述至少两个维度包括第一维度和至少一个第二维度；所述第一维度表征所述第一终端的测量温度，所述第二维度表征所述第一终端的用户使用数据；将采集到的数据输入至训练后的随机森林模型，得到第一终端的体感温度，基于第一体感温度调整温度控制策略。由此，可以预测出第一终端的体感温度，从而根据第一终端的体感温度执行相应的温度控制策略，提高执行的温度控制策略与用户的实际需求的匹配度。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为本申请实施例提供的终端的温度控制方法的实现流程示意图。其中，流程的执行主体为手机、平板电脑、可穿戴设备等终端。如图1示出的，终端的温度控制方法包括：
步骤101：采集第一终端的至少两个维度的数据；所述至少两个维度包括第一维度和至少一个第二维度；所述第一维度表征所述第一终端的测量温度，所述第二维度表征所述第一终端的用户使用数据。
这里，第一终端采集第一终端的至少两个维度的数据，例如，第一终端采集第一终端中的每个温度监测点的测量温度，以及采集至少一个第二维度的数据。温度采集点设置于第一终端中靠近关键器件的位置，关键器件包括处理器。
为了提高预测出的体感温度的准确度，在一些实施例中，所述第二维度包括以下至少之一：
第一终端用户的属性信息；
所述第一终端的运行数据；
所述第一终端用户的行为偏好数据。
这里，第一终端用户的属性信息包括年龄、学历、职业和性别中的至少之一。
第一终端的运行数据包括第一终端在前台运行的应用包名、网络状态、屏幕亮度、音量、屏幕刷新率、处理器频率、应用帧率和工作模式中的至少之一。其中，网络状态表征终端当前连接的网络，该网络为无线局域网或蜂窝网络。工作模式包括省电模式、性能模式或均衡模式。省电模式是指处理器始终以较低频率运行，从而省电。性能模式是指处理器始终以较高的频率运行，终端的性能最高。均衡模式是指处理器负载情况自动调节运行频率，从而在负载小的时候节约电量，在负载大的时候提供较高性能。
第一终端用户的行为偏好数据表征终端用户针对终端中的应用的行为偏好，例如，终端用户喜欢使用的应用、应用的使用时段以及应用的设置参数等应用使用习惯。
需要说明的是，第二维度还可以包括终端的边框材质。
为了提高第二维度的数据的准确度，在一些实施例中，所述采集第一终端的至少两个维度的数据，包括以下之一：
基于净推荐值NPS报告，采集第一终端用户的属性信息；
采集所述第一终端的运行数据；
基于所述第一终端的应用列表和/或应用的使用数据，确定所述第一终端用户的行为偏好数据。这里，由于净推荐值(NPS，Net Promoter Score)报告中包括终端用户的属性信息，第一终端从第一终端获取到的NPS报告中，采集第一终端用户的属性信息。当然，在数据库中存储有第一终端用户的属性信息的情况下，第一终端也可以从数据库中获取第一终端用户的属性信息。其中，NPS表征用户向其他人推荐终端的某个应用或服务的推荐度，可反映出用户对该产品或服务的满意度。
第一终端获取在前台运行的应用包名、网络状态、屏幕亮度、音量、屏幕刷新率、处理器频率、应用帧率和工作模式中的至少之一，得到第一终端的运行数据。
第一终端基于第一终端中的应用列表和应用的使用数据，确定出第一终端用户的行为偏好数据。例如，确定出终端用户偏好的应用、应用的使用时段和应用的设置参数等。
步骤102：将采集到的数据输入至随机森林模型，得到第一体感温度；其中，所述随机森林模型基于多个第二终端中每个第二终端对应的M个维度的采集数据和训练样本的标定值训练得到；所述M个维度包括第一维度和至少一个第二维度；训练样本对应的标定值表征对应终端标定的体感温度。
这里，第一终端将采集到的数据输入至随机森林模型，通过随机森林模型对采集到的数据进行处理，预测出第一终端的第一体感温度。
其中，随机森林模型用于预测终端用户对终端的体感温度。随机森林模型包括N棵决策树；N棵决策树是基于决策树算法，采用N个训练样本集及训练样本对应的标定值训练得到，且每个训练样本集及训练样本对应的标定值对应训练一棵决策树。N个训练样本集通过对多个第二终端中每个第二终端对应的M个维度的采集数据抽样得到。每个训练样本对应的维度包括第一维度和至少一个第二维度。M和N均大于或等于2。需要说明的是，多个第二终端中的其中一个第二终端，可以是第一终端；多个第二终端也可以是除第一终端外的任一终端。
需要说明的是，第一体感温度可以是N个，也可以是一个。N个第一体感温度分别由随机森林模型中N棵决策树输出。例如，如图2所示，第一终端将采集到的数据输入至随机森林模型，通过随机森林模型中的N棵决策树对输入的数据进行处理，得到N棵决策树中的每棵决策树输出的第一体感温度。当第一体感温度的数量为N个时，终端需要基于N个第一体感温度确定出最终的体感温度。当第一体感温度的数量为1时，表征第一体感温度为第一终端最终的体感温度，第一体感温度基于随机森林模型中每棵决策树输出的体感温度确定。
需要说明的是，输入至随机森林模型中的每颗决策树的数据可以相同，也可以不同。输入至决策树的数据至少包括该决策树的所有内部节点相关的数据。例如，随机森林模型的决策树1中的内部节点的类型包括终端用户的年龄、职业、前台运行的应用包名、网络状态、用户的行为偏好，那么，输入至决策树1中的数据至少包括第一终端用户的年龄、职业、前台运行的应用包名、网络状态以及第一终端用户的行为偏好数据。
随机森林模型可以由第一终端训练得到，也可以由其他终端或服务器训练得到，如图3所示，在一些实施例中，所述随机森林模型通过以下方式训练得到：
步骤301：基于多个第二终端中每个第二终端对应的M个维度的采集数据，抽样得到N个训练样本集；其中，训练样本集中的每个训练样本基于一个第二终端的采集数据抽样得到，且抽样的维度和/或维度数量随机；每个训练样本对应的维度包括第一维度和至少一个第二维度；所述N大于或等于2；
步骤302：采用所述N个训练样本集中的每个训练样本集及训练样本对应的标定值对应训练一棵决策树，得到包括N棵决策树的随机森林模型。
在步骤301中，获取多个第二终端中每个第二终端对应的M个维度的采集数据，对多个终端中每个终端对应的M个维度的采集数据进行有放回抽样，得到N个训练样本集。其中，第二终端对应的M个维度的采集数据可以从数据库中获取，也可以由对应终端上报。有放回抽样一种随机抽样方式，在有放回随机抽样的过程中，在记录抽取出的任一维度的采集数据之后，将抽取的采集数据放回。第一维度的采集数据包括至少一个。每个训练样本集包括一个或多个训练样本，且训练样本集中的每个训练样本基于一个终端的采集数据抽样得到，且抽样的维度和/或维度数量随机；每个训练样本对应的维度包括第一维度和至少一个第二维度。例如，从第二终端对应的M个维度的采集数据中，抽取第一维度的采集数据；对该第二终端对应的M-1个第二维度的采集数据进行有放回抽样，随机抽取至少一个第二维度的采集数据，基于抽取的第一维度的采集数据和至少一个第二维度的采集数据，生成该第二终端对应的一个训练样本。
需要说明的是，同一训练样本集中各训练样本对应的维度可以相同，也可以不同；不同的训练样本集对应的维度不完全相同。在实际应用时，同一训练样本集对应的维度相同，不同的训练样本集对应的维度不同。
考虑到不同的人群、不同的行为习惯对终端的发热量的热感觉程度和忍受程度可能不同，为了更准确地预测出不同终端用户对终端的发热量的体感温度，在一些实施例中，M个维度中的第二维度包括以下至少之一：
终端用户的属性信息；
终端的运行数据；
终端用户的行为偏好数据。
示例性地，多个第二终端对应的M个维度的采集数据如下：
Figure BDA0003554189610000081
Figure BDA0003554189610000091
为了提高训练样本集中的采集数据的准确度，在一些实施例中，在所述抽样得到N个训练样本集之前，所述方法还包括以下至少之一：
基于终端上报的净推荐值NPS报告，采集终端用户的属性信息；
接收终端上报的运行数据；
基于终端的应用列表和/或应用的使用数据，确定终端用户的行为偏好数据。
这里，从终端上报的NPS报告中，采集终端用户的属性信息。基于终端的应用列表和/或应用的使用数据，确定出终端用户偏好的应用、应用的使用时段和应用的设置参数中的至少之一，得到终端用户的行为偏好数据。
在步骤302，随机森林模型包括N棵决策树，终端或服务器可以独立训练随机森林模型中的每棵决策树。例如，如图4所示，基于设定的决策树算法，采用一个训练样本集和该训练样本集中每个训练样本对应的标定值，对应训练一棵决策树。设定的决策树算法包括ID3算法、C4.5算法或分类回归树(CART，Classification and Regression Tree)算法。需要说明的是，终端或服务器也可以采用来自同一个终端的训练样本和对应的标定值，联合训练随机森林模型包括的N棵决策树。
决策树包括根节点、内部节点和叶子节点。根节点包含对应的训练样本集；叶子节点表征决策的结果；内部节点表征训练样本对应的维度。也就是说，决策树的内部节点由对应的训练样本对应的维度确定出。例如，训练样本集对应的维度表征终端的测量温度、终端用户的属性信息和终端的运行数据的情况下，终端或服务器基于终端的测量温度、终端用户的属性信息的类型标识和终端的运行数据的类型标识，确定决策树的内部节点。
在训练决策树的过程中，终端或服务器基于决策树的训练样本对应的标定值和该决策树的输出结果，调整该决策树的相关参数，直至该决策树的输出结果的准确度满足设定要求。决策树的相关参数包括决策树的内部节点对应的划分点或分裂点，还可以包括决策树的内部节点。划分点或分裂点表征分类决策边界，可以为阈值。
其中，训练样本对应的标定值是基于终端上报的终端用户的温度体验数据标定的。终端可以通过系统弹窗或回访问卷的方式，采集终端用户的温度体验数据；也可以从批量试用用户的回访报告，获取终端用户的温度体验数据。在实际应用时，采用不同的标定值表征终端用户对终端的不同体感温度。在一实施例中，采用0表征用户对终端的体感温度为不热，采用1表征用户对终端的体感温度为热。在另一实施例中，采用0表征用户对终端的体感温度为不热，采用1表征用户对终端的体感温度为微热，采用2表征用户对终端的体感温度为炙热或热的烫手等。当然，可以根据实际情况设置更多类型的体感温度。
需要说明的是，在随机森林模型训练完毕后，即可将随机森林模型投入使用。例如，在预测终端的体感温度的场景中，电子设备可以采用通过上述实施例训练得到的随机森林模型预测终端的体感温度。
在本实施例中，基于多个第二终端中每个第二终端对应的M个维度的采集数据，抽样得到N个训练样本集，采用N个训练样本集中的每个训练样本集及训练样本对应的标定值对应训练一棵决策树，得到包括N棵决策树的随机森林模型。由此，可以采用训练得到的随机森林模型预测出终端的体感温度，由于随机森林模型包括N棵决策树，基于N棵决策树预测的体感温度，确定出终端最终的体感温度，可以提高预测出的体感温度的准确度。
在得到包括N棵决策树的随机森林模型的基础上，考虑到与决策树的非叶子节点无关的数据为该决策树的无效数据，为了节省决策树筛选有效数据所消耗的时间，提高数据处理效率，在一些实施例中，所述将采集到的数据输入至随机森林模型，包括：
基于所述N棵决策树中每棵决策树的非叶子节点的名称，从采集到的数据中确定出决策树对应的维度的数据，将确定出的数据输入至对应的决策树中。
这里，第一终端基于每棵决策树的根节点和内部节点的名称，从采集到的数据中确定出与根节点和内部节点相关的数据，得到决策树对应的维度的数据，将确定出的数据输入至对应的决策树中。
步骤103：基于所述第一体感温度调整温度控制策略；其中，所述温度控制策略用于控制所述第一终端在运行的过程中产生的热量。
这里，第一终端基于随机森林模型输出的第一体感温度调整温度控制策略。例如，在第一体感温度低于第一终端的测量温度的情况下，第一终端可以提升处理器频率、提升屏幕刷新率和提升前台应用的应用帧率中的至少之一，从而提升第一终端的性能。
在第一体感温度高于第一终端的测量温度的情况下，第一终端可以降低处理器频率、降低屏幕刷新率和降低前台应用的应用帧率中的至少之一，从而降低第一终端的功耗，进而减少第一终端产生的热量。
在本实施例中，采集第一终端的至少两个维度的数据；将采集到的数据输入至随机森林模型，得到第一体感温度；基于第一体感温度调整温度控制策略。由此，可以提高执行的温度控制策略与用户的实际需求的匹配度。
为了提高确定出的体感温度的准确度，从而提高温度控制精度，在一些实施例中，所述基于所述第一体感温度调整温度控制策略，包括：
基于所述随机森林模型中每棵决策树输出的第一体感温度，确定出所述第一终端的第二体感温度；
基于所述第二体感温度调整温度控制策略。
这里，如图2所示，第一终端基于随机森林模型中每颗决策树输出的第一体感温度，确定出相同的第一体感温度的数量，并将数量最大的第一体感温度确定为第一终端的第二体感温度。或者，第一终端基于每棵决策树输出的第一体感温度，确定出体感温度的均值，并将该均值确定为第一终端的第二体感温度。
第一终端在确定出第二体感温度的情况下，基于第二体感温度调整温度控制策略。需要说明的是，基于第二体感温度调整温度控制策略的实现方式，与基于第一体感温度调整温度控制策略的实现方式类似，此处不赘述。
为了提高执行的温度控制策略与终端用户的实际需求的匹配度，在一些实施例中，所述基于所述第二体感温度调整温度控制策略，包括：
在所述第一终端的测量温度大于或等于设定阈值的情况下，执行所述第二体感温度对应的温度控制策略；其中，所述温度控制策略用于控制所述第一终端在运行的过程中产生的热量。
这里，在第一终端的测量温度大于或等于设定阈值的情况下，表征当前需要对第一终端执行温度控制策略，此时，第一终端根据体感温度与温度控制策略之间的设定对应关系，确定出第二体感温度对应的温度控制策略，并执行确定出的温度控制策略。需要说明的是，设定阈值小于第一终端中的所有器件的额定工作温度中的最小值。
为了提高温度控制精度，在一些实施例中，所述执行所述第二体感温度对应的温度控制策略，包括：
在所述第二体感温度高于所述第一终端的测量温度的情况下，执行第一温度控制策略；或
在所述第二体感温度低于所述第一终端的测量温度的情况下，执行第二温度控制策略；
其中，所述第一温度控制策略对应产生的终端功耗小于所述第二温度控制策略对应产生的终端功耗。
这里，在第一终端的第二体感温度高于第一终端的测量温度的情况下，表征第一终端用户对第一终端的发热量比较敏感，此时，第一终端执行第一温度控制策略，从而快速降低第一终端产生的热量。第一温度控制策略包括降低处理器频率、降低屏幕刷新率和降低前台应用的应用帧率中的至少之一。处理器包括中央处理器(CPU，Central ProcessingUnit)和/或图像处理器(GPU，Graphics Processing Unit)。
在第一终端的第二体感温度低于第一终端的测量温度的情况下，表征第一终端用户对第一终端的发热量不敏感，更在意第一终端的性能，此时，执行第二温度控制策略，从而在保证第一终端的性能的情况下，减少第一终端的发热量。第二温度控制策略包括降低屏幕亮度和/或降低音量等。例如，第一终端用户使用游戏类或视频播放类应用的情况下，第一终端用户更在意第一终端的性能，此时，第一终端在性能优先的前提下，执行相应的温度控制策略，从而保证画面的流畅度，尽可能减少画面卡顿的情况发生。
需要说明的是，在一实施例中，在第一终端的测量温度大于或等于设定阈值，且第二体感温度表征用户对终端的体感温度为不热的情况下，表征第一终端的第二体感温度低于第一终端的测量温度；在第一终端的测量温度大于或等于设定阈值，且第二体感温度表征用户对终端的体感温度为热的情况下，表征第一终端的第二体感温度高于第一终端的测量温度。在另一实施例中，在第二体感温度表征用户对终端的体感温度为不热，或用户对终端的体感温度为微热的情况下，表征第一终端的第二体感温度低于第一终端的测量温度；在第二体感温度表征用户对终端的体感温度为炙热或热的烫手的情况下，表征第一终端的第二体感温度高于第一终端的测量温度。
图5为本申请应用实施例提供的终端的温度控制方法的实现流程示意图，其中，流程的执行主体为手机、平板电脑、可穿戴设备等终端。如图5示出的，终端的温度控制方法包括：
步骤501：采集第一终端的至少两个维度的数据；所述至少两个维度包括第一维度和至少一个第二维度；所述第一维度表征所述第一终端的测量温度，所述第二维度表征所述第一终端的用户使用数据。
步骤502：将采集到的数据输入至随机森林模型，得到N棵决策树中的每棵决策树输出的第一体感温度。
步骤503：基于每棵决策树输出的第一体感温度，确定出所述第一终端的第二体感温度。
步骤504：在所述第一终端的测量温度大于或等于设定阈值的情况下，执行所述第二体感温度对应的温度控制策略。
为实现本申请实施例的终端的温度控制方法，本申请实施例还提供了一种终端的温度控制装置，如图6所示，该终端的温度控制装置包括：
采集单元61，用于采集第一终端的至少两个维度的数据；所述至少两个维度包括第一维度和至少一个第二维度；所述第一维度表征所述第一终端的测量温度，所述第二维度表征所述第一终端的用户使用数据；
预测单元62，用于将采集到的数据输入至随机森林模型，得到第一体感温度；其中，所述随机森林模型基于多个第二终端中每个第二终端对应的M个维度的采集数据和训练样本的标定值训练得到；所述M个维度包括第一维度和至少一个第二维度；训练样本对应的标定值表征对应终端标定的体感温度；
温度控制单元63，用于基于所述第一体感温度调整温度控制策略；其中，所述温度控制策略用于控制所述第一终端在运行的过程中产生的热量。
在一些实施例中，所述随机森林模型通过以下方式训练得到：
基于多个第二终端中每个第二终端对应的M个维度的采集数据，抽样得到N个训练样本集；其中，训练样本集中的每个训练样本基于一个第二终端的采集数据抽样得到，且抽样的维度和/或维度数量随机；每个训练样本对应的维度包括第一维度和至少一个第二维度；所述N大于或等于2；
采用所述N个训练样本集中的每个训练样本集及训练样本对应的标定值对应训练一棵决策树，得到包括N棵决策树的随机森林模型。
在一些实施例中，预测单元72具体用于：基于所述N棵决策树中每棵决策树的非叶子节点的名称，从采集到的数据中确定出决策树对应的维度的数据，将确定出的数据输入至对应的决策树中。
在一些实施例中，所述第二维度包括以下至少之一：
第一终端用户的属性信息；
所述第一终端的运行数据；
所述第一终端用户的行为偏好数据。
在一些实施例中，采集单元61具体用于以下之一：
基于净推荐值NPS报告，采集第一终端用户的属性信息；
采集所述第一终端的运行数据；
基于所述第一终端的应用列表和/或应用的使用数据，确定所述第一终端用户的行为偏好数据。
在一些实施例中，温度控制单元63具体用于：
基于所述随机森林模型中每棵决策树输出的第一体感温度，确定出所述第一终端的第二体感温度；
基于所述第二体感温度调整温度控制策略。在一些实施例中，温度控制单元63具体用于：
在所述第一终端的测量温度大于或等于设定阈值的情况下，执行所述第二体感温度对应的温度控制策略。
在一些实施例中，温度控制单元63具体用于：
在所述第二体感温度高于所述第一终端的测量温度的情况下，执行第一温度控制策略；或
在所述第二体感温度低于所述第一终端的测量温度的情况下，执行第二温度控制策略；其中，所述第一温度控制策略对应产生的终端功耗小于所述第二温度控制策略对应产生的终端功耗。
实际应用时，采集单元61、预测单元62、和温度控制单元63可通过终端的温度控制装置中的处理器，比如CPU、DSP、MCU或FPGA等实现。
需要说明的是：上述实施例提供的终端的温度控制装置在进行温度预测时，仅以上述各程序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处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的终端的温度控制装置与终端的温度控制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。
基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供了一种终端。图7为本申请实施例提供的终端的硬件组成结构示意图，如图7所示，终端终端7包括：
通信接口71，能够与其它设备比如网络设备等进行信息交互；
处理器72，与所述通信接口71连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的终端的温度控制方法。而所述计算机程序存储在存储器73上。
当然，实际应用时，终端7中的各个组件通过总线系统74耦合在一起。可理解，总线系统74用于实现这些组件之间的连接通信。总线系统74除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统74。
本申请实施例中的存储器73用于存储各种类型的数据以支持终端7的操作。这些数据的示例包括：用于在终端7上操作的任何计算机程序。
可以理解，存储器73可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器73旨在包括但不限于这些和任意其它适合类型的存储器。
上述本申请实施例揭示的方法可以应用于处理器72中，或者由处理器72实现。处理器72可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器72中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器72可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器72可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器73，处理器72读取存储器73中的程序，结合其硬件完成前述方法的步骤。
可选地，所述处理器72执行所述程序时实现本申请实施例的各个方法中的相应流程，为了简洁，在此不再赘述。
在示例性实施例中，本申请实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的第一存储器73，上述计算机程序可由终端的处理器72执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，本申请实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
需要说明的是，本申请实施例中的术语“和/或”，仅仅是一种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。另外，本文中术语“至少一种”表示多个中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (11)

1.一种终端的温度控制方法，其特征在于，包括：
采集第一终端的至少两个维度的数据；其中，所述至少两个维度包括第一维度和至少一个第二维度；所述第一维度表征所述第一终端的测量温度，所述第二维度表征所述第一终端的用户使用数据；
将采集到的数据输入至随机森林模型，得到第一体感温度；其中，所述随机森林模型基于多个第二终端中每个第二终端对应的M个维度的采集数据和训练样本的标定值训练得到；所述M个维度包括第一维度和至少一个第二维度；训练样本对应的标定值表征对应终端标定的体感温度；
基于所述第一体感温度调整温度控制策略；其中，所述温度控制策略用于控制所述第一终端在运行的过程中产生的热量。
2.根据权利要求1所述的方法，其特征在于，所述随机森林模型通过以下方式训练得到：
基于多个第二终端中每个第二终端对应的M个维度的采集数据，抽样得到N个训练样本集；其中，训练样本集中的每个训练样本基于一个第二终端的采集数据抽样得到，且抽样的维度和/或维度数量随机；每个训练样本对应的维度包括第一维度和至少一个第二维度；所述N大于或等于2；
采用所述N个训练样本集中的每个训练样本集及训练样本对应的标定值对应训练一棵决策树，得到包括N棵决策树的随机森林模型。
3.根据权利要求2所述的方法，其特征在于，所述将采集到的数据输入至随机森林模型，包括：
基于所述N棵决策树中每棵决策树的非叶子节点的名称，从采集到的数据中确定出决策树对应的维度的数据，将确定出的数据输入至对应的决策树中。
4.根据权利要求1所述的方法，其特征在于，所述第二维度包括以下至少之一：
第一终端用户的属性信息；
所述第一终端的运行数据；
所述第一终端用户的行为偏好数据。
5.根据权利要求1所述的方法，其特征在于，所述采集第一终端的至少两个维度的数据，包括以下之一：
基于净推荐值NPS报告，采集第一终端用户的属性信息；
采集所述第一终端的运行数据；
基于所述第一终端的应用列表和/或应用的使用数据，确定所述第一终端用户的行为偏好数据。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一体感温度调整温度控制策略，包括：
基于所述随机森林模型中每棵决策树输出的第一体感温度，确定出所述第一终端的第二体感温度；
基于所述第二体感温度调整温度控制策略。
7.根据权利要求6所述的方法，其特征在于，所述基于所述第二体感温度调整温度控制策略，包括：
在所述第一终端的测量温度大于或等于设定阈值的情况下，执行所述第二体感温度对应的温度控制策略。
8.根据权利要求7所述的方法，其特征在于，所述执行所述第二体感温度对应的温度控制策略，包括：
在所述第二体感温度高于所述第一终端的测量温度的情况下，执行第一温度控制策略；或
在所述第二体感温度低于所述第一终端的测量温度的情况下，执行第二温度控制策略；
其中，所述第一温度控制策略对应产生的终端功耗小于所述第二温度控制策略对应产生的终端功耗。
9.一种终端的温度控制装置，其特征在于，包括：
采集单元，用于采集第一终端的至少两个维度的数据；所述至少两个维度包括第一维度和至少一个第二维度；所述第一维度表征所述第一终端的测量温度，所述第二维度表征所述第一终端的用户使用数据；
预测单元，用于将采集到的数据输入至随机森林模型，得到第一体感温度；其中，所述随机森林模型基于多个第二终端中每个第二终端对应的M个维度的采集数据和训练样本的标定值训练得到；所述M个维度包括第一维度和至少一个第二维度；训练样本对应的标定值表征对应终端标定的体感温度；
温度控制单元，用于基于所述第一体感温度调整温度控制策略；其中，所述温度控制策略用于控制所述第一终端在运行的过程中产生的热量。
10.一种终端，其特征在于，包括：处理器和用于存储能够在所述处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行权利要求1至8任一项所述的终端的温度控制方法的步骤。
11.一种计算机可读的存储介质，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任一项所述的终端的温度控制方法的步骤。
CN202210272478.4A 2022-03-18 2022-03-18 终端的温度控制方法、装置、终端及存储介质 Pending CN114610131A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210272478.4A CN114610131A (zh) 2022-03-18 2022-03-18 终端的温度控制方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210272478.4A CN114610131A (zh) 2022-03-18 2022-03-18 终端的温度控制方法、装置、终端及存储介质

Publications (1)

Publication Number Publication Date
CN114610131A true CN114610131A (zh) 2022-06-10

Family

ID=81865348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210272478.4A Pending CN114610131A (zh) 2022-03-18 2022-03-18 终端的温度控制方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN114610131A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105807873A (zh) * 2016-03-08 2016-07-27 北京小米移动软件有限公司 温度控制方法及装置
CN107844364A (zh) * 2016-09-18 2018-03-27 中兴通讯股份有限公司 一种调节终端温度的方法、装置和终端

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105807873A (zh) * 2016-03-08 2016-07-27 北京小米移动软件有限公司 温度控制方法及装置
CN107844364A (zh) * 2016-09-18 2018-03-27 中兴通讯股份有限公司 一种调节终端温度的方法、装置和终端

Similar Documents

Publication Publication Date Title
EP3848776A1 (en) Resource scheduling method and computer device
JP7195334B2 (ja) リソーススケジューリング方法および端末デバイス
KR101940807B1 (ko) 건강 관리 장치 및 그것의 미래 건강 예측 방법
US20170300819A1 (en) Time-Series Prediction Apparatus and Time-Series Prediction Method
WO2018010409A1 (zh) 耗电提醒方法及装置
US20210081755A1 (en) Method, apparatus, electronic device and storage medium for predicting user attribute
CN109241437A (zh) 一种广告识别模型的生成方法、广告识别方法及系统
TW201333860A (zh) 用於產生及分析數位可讀媒體消費資料的方法、裝置及系統
WO2020253369A1 (zh) 生成兴趣标签的方法、装置、计算机设备和存储介质
CN113034241A (zh) 一种产品信息推荐方法及计算机设备
US20190005841A1 (en) Representation of group emotional response
WO2022111095A1 (zh) 一种产品推荐方法、装置、计算机存储介质及系统
CN109615537A (zh) 基于智能穿戴设备的核保方法、装置及存储介质
CN114610131A (zh) 终端的温度控制方法、装置、终端及存储介质
CN113342762B (zh) 针对商户好友的共享消息的智能处理方法及相关装置
US10969948B2 (en) Method for adaptively adjusting amount of information in user interface design and electronic device
JP2015001795A (ja) 性格分析装置および性格分析用プログラム
CN116644124A (zh) 一种基于数据挖掘的护肤产品智能筛选方法及系统
CN110597702A (zh) 一种用户行为分析系统、方法及介质
US20220012386A1 (en) Risk calculation apparatus, computer readable medium, and risk calculation method
US20190042657A1 (en) Concierge system, concierge method, and concierge program
CN113010795A (zh) 用户动态画像生成方法、系统、存储介质及电子设备
CN113949673A (zh) 传感器数据处理方法、装置、穿戴式电子设备及存储介质
CN112199616A (zh) 网页性能评估方法、装置、设备及存储介质
US11847127B2 (en) Device and method for discovering causal patterns

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