JP2016529858A - 無線デバイスの電池消耗解析および予測 - Google Patents

Abstract

無線デバイス電池解析および予測の技術が開示される。開示技術は、無線デバイスの電池に関する電池消耗情報を含む無線デバイス情報を集めることと、それぞれが異なる複数の電池使用予測モデルのそれぞれに対応する複数の予測結果を、集められた無線デバイス情報に基づき決定することと、複数の電池使用予測モデルのそれぞれについて確度を決定することと、決定された確度に基づいて、複数の電池使用予測モデルのそれぞれについて重み値を生成することと、複数の予測結果および生成された重み値に基づいて、無線デバイスについての電池予測結果を生成することと、を含む。【選択図】図１

Description

本特許書類は一般に無線デバイス電池解析および予測に関する。

携帯電話やスマートフォン、タブレットなどの無線デバイスは携帯可能なエネルギ源を提供するための電池を含む。これにより、無線デバイスのユーザは電源に接続されずに自由に動き回ることができる。無線デバイスはゲームやビデオ遠隔会議ユーティリティ、文書処理アプリケーションなどのアプリケーションをダウンロードしインストールすることができる。これらのアプリケーションは電池のもちに影響を与える電池使用特性を有し、該電池使用特性はアプリケーションごとに異なる。さらに、電池のもちに影響を与えうる電池使用特性はまた、例えばネットワーク使用やカメラ使用、輝度設定、通信モードなどのデバイスアクティビティおよび設定が異なると異なる。無線デバイスは電池残量情報を表示することができる。電池残量情報は例えば矩形領域内に表示される複数のバーまたは色付き部分であって電池残量レベルに対応するものである。

本書類は、とりわけ、無線デバイス電池解析および予測に関する技術を開示する。ある態様では、開示技術は、無線デバイスの電池に関する電池消耗情報を含む無線デバイス情報を集めることと、それぞれが異なる複数の電池使用予測モデルのそれぞれに対応する複数の予測結果を、集められた無線デバイス情報に基づき決定することと、複数の電池使用予測モデルのそれぞれについて確度を決定することと、決定された確度に基づいて、複数の電池使用予測モデルのそれぞれについて重み値を生成することと、複数の予測結果および生成された重み値に基づいて、無線デバイスについての電池予測結果を生成することと、を含む。本態様の他の形態は、対応するシステム、装置および非一時的コンピュータ可読保持媒体上に符号化されたコンピュータソフトウエアを含んでもよい。

これらおよび他の実施形態は以下の特徴のうちのひとつ以上を含んでもよい。複数の電池使用予測モデルは、新たなアプリケーションについての電池使用プロファイルを、電池の使用について既に測定済みのひとつ以上の他のアプリケーションについて集められたデータから推定するよう設定された静的モデルを含んでもよい。ある実施形態では、電池使用プロファイルは新たなアプリケーションとひとつ以上の他のアプリケーションとの間のひとつ以上の類似性の推定に基づく。無線デバイス情報を集めることは、新たなアプリケーションのひとつ以上の属性を抽出することを含んでもよい。複数の予測結果を決定することは、新たなアプリケーションのひとつ以上の抽出された属性に対するひとつ以上の電池使用特性をデータベースから取得することと、ひとつ以上の抽出された属性に対するひとつ以上の取得された電池使用特性に基づいて、新たなアプリケーションについての電池使用プロファイルを推定することと、推定された電池使用プロファイルに基づいて予測結果を、複数の電池使用予測モデルのうちの静的モデルの範囲内で、生成することと、を含んでもよい。複数の予測結果を決定することは、電池消耗情報に基づいて予測結果を、複数の電池使用予測モデルのうちの動的モデルの範囲内で、生成することを含んでもよい。ある実施形態では、動的モデルは、電池の２以上の測定を介して観測された電池消耗情報の変化に応じたものである。重み値を生成することは、第１期間において、新たなアプリケーションが無線デバイスで実行されることの検知に応じて、静的モデルについての重み値をひとつ以上の動的モデルについての重み値よりも大きく設定することと、第２期間において、ひとつ以上の動的モデルに対する静的モデルの相対的パフォーマンスに基づいて静的モデルについての重み値を設定することと、を含んでもよく、第２期間は第１期間の後であってもよい。実施形態は、電池予測結果に基づいて、電池が使い尽くされた状態になるまでの見積もり時間を決定することを含んでもよい。実施形態は、無線デバイスで実行される処理のひとつ以上の処理識別子を含む電池測定サンプルをサーバに送ることと、ひとつ以上の処理識別子に対応する電池予測情報をサーバから受けることと、を含んでもよい。複数の予測結果を決定することは、電池予測情報を使用することを含んでもよい。

他の態様では、電池解析および予測のための技術は、複数の第１アプリケーションに関連する第１属性を抽出することと、複数の第１アプリケーションのうちのひとつ以上を実行するよう構成された複数の無線デバイスから複数のデータサンプルを集めることであって、複数のデータサンプルのそれぞれは（ｉ）期間中に無線デバイスで実行されるひとつ以上の処理を特定するひとつ以上のアプリケーション識別子と（ｉｉ）期間に関連する電池消耗情報とを含むことと、複数のデータサンプルの少なくとも一部の間の相関に基づいて、抽出された第１属性の電池使用特性を決定することと、第２アプリケーションに関連するひとつ以上の第２属性を抽出することと、それぞれが抽出された第２属性のそれぞれと対応する抽出された第１属性のうちのひとつ以上を特定することと、それぞれが特定された第１属性のそれぞれと対応する決定された電池使用特性のひとつ以上を使用して、第２アプリケーションについての電池使用プロファイルを決定することと、を含む。本態様の他の形態は、対応するシステム、装置および非一時的コンピュータ可読保持媒体上に符号化されたコンピュータソフトウエアを含む。

これらおよび他の実施形態は以下の特徴のうちのひとつ以上を含んでもよい。電池使用特性を決定することは、抽出された第１属性についての統計的係数を生成することを含む。ある実施形態では、第２アプリケーションについての電池使用プロファイルは、統計的係数のうちのひとつ以上に基づくものである。ある実施形態では、電池使用プロファイルは予測された電池消耗レートを含む。実施形態は、無線デバイスから第２アプリケーションに関連する識別子を受けることと、電池使用プロファイルを無線デバイスに、受けた識別子に基づいて提供することと、を含んでもよい。

他の態様では、電池解析および予測のためのシステムは保持デバイスとプロセッサとを含んでもよく、保持デバイスは無線デバイスの電池に関する電池消耗情報を含む無線デバイス情報を保持するよう構成されてもよい。プロセッサは、保持デバイスと通信可能に接続されてもよい。プロセッサは、（ｉ）それぞれが異なる複数の電池使用予測モデルのそれぞれに対応する複数の予測結果を、無線デバイス情報に基づき決定し、（ｉｉ）複数の電池使用予測モデルのそれぞれについて確度を決定し、（ｉｉｉ）確度に基づいて、複数の電池使用予測モデルのそれぞれについて重み値を生成し、（ｉｖ）複数の予測結果および重み値に基づいて、無線デバイスについての電池予測結果を生成するよう構成されてもよい。ある実施形態では、システムはプロセッサおよび保持デバイスを含むサーバを含んでもよい。

他の態様では、電池解析および予測のためのシステムは保持デバイスとプロセッサとを含んでもよく、保持デバイスは、複数の第１アプリケーションのうちのひとつ以上を実行するよう構成された複数の無線デバイスからの複数のデータサンプルであって、複数のデータサンプルのそれぞれは（ｉ）期間中に無線デバイスで実行されるひとつ以上の処理を特定するひとつ以上のアプリケーション識別子と（ｉｉ）期間に関連する電池消耗情報とを含む、複数のデータサンプルを保持するよう構成されてもよい。プロセッサは、保持デバイスと通信可能に接続されてもよい。プロセッサは、（ｉ）複数の第１アプリケーションに関連する第１属性を抽出し、（ｉｉ）複数のデータサンプルの少なくとも一部の間の相関に基づいて、第１属性の電池使用特性を決定し、（ｉｉｉ）第２アプリケーションに関連するひとつ以上の第２属性を抽出し、（ｉｖ）それぞれが第２属性のそれぞれと対応する第１属性のうちのひとつ以上を特定された第１属性として特定し、（ｖ）それぞれが特定された第１属性のそれぞれと対応する電池使用特性のひとつ以上を使用して、第２アプリケーションについての電池使用プロファイルを決定するよう構成されてもよい。

本書類で説明される技術のある構成は、以下の潜在的な利点のうちのひとつ以上を実現するよう実装されてもよい。説明される技術は、無線デバイスでの表示において時間についてより滑らかな予測結果を提供するようなかたちで複数の予測出力を組み合わせるのに使用されてもよい。説明される技術は、新たなアプリケーションの電池使用を直接測定する必要なしに電池使用の点でその新たなアプリケーションを評価するのに使用されてもよい。説明される技術は、電池のもちの予測の全体的な確度を向上させるのに使用されてもよい。

本書類で説明される主題のひとつ以上の実施形態の詳細は、添付の図面および以下の説明で明らかにされる。説明、図面および請求項から、本主題の他の特徴や態様、潜在的な利点が明らかになるであろう。

電池のもちの予測アーキテクチャの一例の図を示す。

統合クライアントモデルの一例の図を示す。

簡単化されたネットワークアーキテクチャの一例の図を示す。

複数の電池予測モデルを使用する処理の一例のフローチャートを示す。

静的予測モデルについてのデータを生成する処理の一例のフローチャートを示す。

関連するアプリケーション属性を伴うアプリケーション識別子とデータサンプルに基づく関連する電池消耗レートとを含むアプリケーションチャートの一例、および関連するモデル係数を含むモデル係数チャートの一例を示す。

関連するアプリケーション属性を伴うアプリケーション識別子と図６Ａのモデル係数チャートのデータからの推定に基づく関連する電池消耗レートとを含むアプリケーションチャートの一例を示す。

電池予測アプリケーションを保持するよう構成された無線デバイスの一例の簡単化されたアーキテクチャを示す。

電池解析および予測の処理間アーキテクチャの一例のフローチャートを示す。

種々の図面における類似の参照シンボルは、類似の要素を示す。

無線デバイスの電池に対する要求が増大する中で、無線サービスプロバイダは、エネルギ消費を管理するためにアプリケーションの電池使用を解析して電池のもちを予測するメカニズムを提供してもよい。そのようなメカニズムはデバイスで実行されるアプリケーションを特定し、アプリケーションの母集団における他のアプリケーションに対して特定されたアプリケーションの電池消費レートを特徴付け（例えば、高い、中間または低い電池消耗レート）てもよい。さらに、そのようなメカニズムは、無線デバイスがいつオフになるかを見積もられた電池消費レートに基づいて評価し、電池を長持ちさせるためのガイダンスをデバイスのユーザに提供してもよい。

図１は、電池のもちの予測アーキテクチャ１０１の一例の図を示す。電池のもちの予測アーキテクチャ１０１は、無線デバイスやサーバなどのひとつ以上のデータ処理装置によって部分的にまたは全体が実装されてもよい。例えば、無線デバイスは見積もられた電池消費レートを決定するために複数の予測モデル１１０ａ−ｃを使用してもよい。さらに、アーキテクチャ１０１内の統合クライアントモデル１２０は複数の予測モデル１１０ａ−ｃからの予測出力を組み合わせて電池予測結果を形成してもよい。予測モデルは、ひとつ以上の静的予測モデル１１０ａ、ひとつ以上の動的予測モデル１１０ｂ−ｃ、またはそれらの組み合わせを含んでもよい。動的予測モデル１１０ｂ−ｃは、その予測出力を、電池モニタ１０５からの出力や処理リスト、デバイスのリソース使用、統計的係数、またはそれらの組み合わせなどのひとつ以上のソースに基づかせてもよい。電池モニタ１０５は無線デバイスの電池を監視するよう構成されてもよい。

静的予測モデル１１０ａは、その予測出力を、処理リストや統計データベース１４０などのひとつ以上のソースに基づかせてもよい。統計データベース１４０は、アプリケーション属性と複数のアプリケーションの電池消耗レートを解析することで推測された対応する電池使用情報との間の関係などの情報を保持してもよい。静的予測モデル１１０ａは統計データベース１４０からの情報を使用して、自身の電池消耗レート観測を使用した解析がまだ行われていないアプリケーションなどの「新たな」アプリケーションについての電池使用を推定してもよい。ある実施形態では、電池のもちの予測アーキテクチャ１０１のひとつ以上のコンポーネントはサーバなどのデータ処理装置によって実装されてもよい。例えば、サーバは統計データベース１４０をホストしてもよい。ある実施形態では、サーバは無線デバイスから受ける電池監視値に基づいて予測モデル出力を計算してもよい。

モデル確度決定器１２５は予測モデル１１０ａ−ｃのそれぞれについて重み値を生成してもよい。重み値は例えばモデルの確度に基づいてもよい。ある実施形態では、重み値は小数値として表現されてもよく、そこではより大きな小数値はより正確なモデルを示す。ある実施形態では、モデルの重み値はそのモデルのエラー値の移動平均に基づいてもよい。ある実施形態では、重み値は、Ｎを統合クライアントモデル１２０へ入力されるモデルの数とするときの１／Ｎなどのデフォルト値に初期化されてもよい。モデル確度決定器１２５は、モデルからの予測値を電池モニタ１０５からの対応する値と比較することによってエラー値を生成してもよい。モデル確度決定器１２５は、バッファ１１５を使用して予測値と電池モニタ値とを時間的に同期させてもよい。予測表示エンジン１３０は統合クライアントモデル１２０から電池予測結果を受け、予測された電池消費時間フレームなどの情報であって無線デバイスに表示されるべき情報を生成してもよい。

図２は、統合クライアントモデル１２０の一例の図を示す。統合クライアントモデル１２０は乗算部２１５ａ−ｃを使用して重み値２０５ａ−ｃと対応する予測出力値とを掛け合わせてもよい。重み値２０５ａ−ｃは図１のモデル確度決定器１２５を介して生成されてもよい。予測出力値は対応する予測モデル１１０ａ−ｃを介して生成されてもよい。加算部２２０は乗算部２１５ａ−ｃからの出力を加算して電池予測結果２３０を形成してもよい。

図３は、簡単化されたネットワークアーキテクチャの一例の図を示す。無線デバイス３０５ａ−ｃはひとつ以上の無線ネットワーク３１０を介して通信し、インターネット３２０上のサーバ３２５、３３０とつながってもよい。例えば、無線デバイス３０５ａ−ｃはアプリケーションストアウェブサイトサーバ３２５と通信し、アプリケーションをダウンロードしてもよい。アプリケーションストアウェブサイトサーバ３２５はアプリケーションを保持する保持デバイス３３５を含んでもよい。無線デバイス３０５ａ−ｃは、アプリケーションおよび電池統計サーバ３３０と通信するよう構成された電池のもち予測アプリケーションを伴うよう構成されてもよい。例えば、無線デバイス３０５ａ−ｃは統計サーバ３３０に、ひとつ以上のアプリケーションについての電池使用情報を提供してもよい。さらに、統計サーバ３３０はアプリケーションおよび関連する電池使用についての統計情報を集めて、無線デバイス３０５ａ−ｃにそのような情報を提供してもよい。統計サーバ３３０は、アプリケーションおよび電池の統計情報を保持する保持デバイス３４０を含んでもよい。ある実施形態では、保持デバイス３４０はハードディスクドライブなどのひとつ以上の不揮発性メモリデバイスを含む。ある実施形態では、保持デバイス３４０はランダムアクセスメモリ（ＲＡＭ）などのひとつ以上の揮発性メモリデバイスを含む。ある実施形態では、サーバ３２５、３３０は地理的に分散した複数のサーバブレードを含んでもよい。ある実施形態では、サーバ３２５、３３０は複数のプロセッサコアを含んでもよいプロセッサを含んでもよい。

図４は、複数の電池予測モデルを使用する処理の一例のフローチャートを示す。４０５において、処理は、無線デバイスの電池に関する電池消耗情報を含む無線デバイス情報を集める。ある実施形態では、電池消耗情報は電池消耗レートを含んでもよい。ある実施形態では、電池消耗情報は第１および第２データ点における第１および第２電池残量レベルと、第１データ点と第２データ点との間の時間デルタと、を含んでもよい。無線デバイス情報を集めることは、その無線デバイスで実行されるひとつ以上の処理を特定することを含んでもよい。

４１０において、処理は、それぞれが異なる複数の電池使用予測モデルのそれぞれに対応する複数の予測結果を、集められた無線デバイス情報に基づき決定する。電池使用予測モデルは静的モデルおよび動的モデルを含んでもよい。ある実施形態では、静的モデルは、新たなアプリケーションについての電池使用プロファイルを、電池の使用について既に測定済みのひとつ以上の他のアプリケーションについて集められたデータから推定するよう設定されてもよい。ある実施形態では、新たなアプリケーションについての電池使用プロファイルはその新たなアプリケーションとひとつ以上の他のアプリケーションとの間のひとつ以上の類似性の推定に基づく。４０５において、無線デバイス情報を集めることは、新たなアプリケーションのひとつ以上の属性を抽出することを含んでもよい。４１０において、複数の予測結果を決定することは、新たなアプリケーションのひとつ以上の抽出された属性に対するひとつ以上の電池使用特性をデータベースから取得することと、ひとつ以上の抽出された属性に対するひとつ以上の取得された電池使用特性に基づいて、新たなアプリケーションについての電池使用プロファイルを推定することと、推定された電池使用プロファイルに基づいて予測結果を、複数の電池使用予測モデルのうちの静的モデルの範囲内で、生成することと、を含んでもよい。４１０において、複数の予測結果を決定することは、電池消耗情報に基づいて予測結果を、複数の電池使用予測モデルのうちの動的モデルの範囲内で、生成することを含んでもよい。動的モデルは、電池の２以上の測定を介して観測された電池消耗情報の変化に応じたものであってもよい。

４１５において、処理は、複数の電池使用予測モデルのそれぞれについて確度を決定する。確度を決定することは、ある期間の予測された値をその期間の観測された値と比較することを含んでもよい。４２０において、処理は、決定された確度に基づいて、複数の電池使用予測モデルのそれぞれについて重み値を生成する。４２５において、処理は、複数の予測結果および生成された重み値に基づいて、無線デバイスについての電池予測結果を生成する。電池予測結果を生成することは、複数の予測結果の重み付けバージョンを組み合わせることを含んでもよい。処理は、電池予測結果に基づいて、電池が使い尽くされた状態になるまでの見積もり時間を決定することを含んでもよい。

ある実施形態では、４２０において、重み値を生成することは、第１期間において、新たなアプリケーションが無線デバイスで実行されることの検知に応じて、静的モデルについての重み値をひとつ以上の動的モデルについての重み値よりも大きく設定することを含んでもよい。４２０において、重み値を生成することは、後の第２期間において、動的モデルに対する静的モデルの相対的パフォーマンスに基づいて静的モデルについての重み値を設定することと、を含んでもよい。

図５は、静的予測モデルについてのデータを生成する処理の一例のフローチャートを示す。５０５において、処理は、複数の第１アプリケーションに関連する第１属性を抽出する。属性を抽出することは、特定のデバイスリソース（例えば、音声、画像レンダ、デコーダ、ネットワーク、センサ、またはブルートゥース（登録商標））がアプリケーションによって使用されているかを決定し、もし使用されていればアプリケーション属性データベース内でそのアプリケーションに属性を割り当てることを含んでもよい。例えば、アプリケーションが画像レンダライブラリとリンクしている場合、処理はそのアプリケーションに画像レンダ属性を割り当ててもよい。

５１０において、処理は、複数の第１アプリケーションのうちのひとつ以上を実行するよう構成された複数の無線デバイスから、電池測定サンプルなどの複数のデータサンプルを集める。データサンプルは、ある期間中に無線デバイスで実行されるひとつ以上の処理を特定するひとつ以上のアプリケーション識別子と、その期間に関連する電池消耗情報とを含んでもよい。ある実施形態では、データサンプルは処理識別ストリングを含み、処理はそのストリングからアプリケーション識別子を抽出する。ある実施形態では、電池消耗レートは、それぞれが電池残量レベル値を含む２つ以上のデータサンプルから導かれる。ある実施形態では、データサンプルは電池消耗レートを含む。

５１５において、処理は、複数のデータサンプルの少なくとも一部の間の相関に基づいて、抽出された第１属性の電池使用特性を決定する。電池使用特性を決定することは、重回帰分析（ＭＬＲ）や階層的クラスタ分析、主成分分析（ＰＣＡ）などの統計的解析を行うことを含んでもよい。他の種類の統計的解析も可能である。

５２０において、処理は、第２アプリケーションに関連するひとつ以上の第２属性を抽出する。第１アプリケーションとは異なり、第２アプリケーションは多くの場合電池の使用についてまだ観測されていない。５２５において、処理は、それぞれが抽出された第２属性のそれぞれと対応する抽出された第１属性のうちのひとつ以上を特定する。５３０において、処理は、それぞれが特定された第１属性のそれぞれと対応する決定された電池使用特性のひとつ以上を使用して、第２アプリケーションについての電池使用プロファイルを決定する。電池使用特性は、電池消耗レートを含んでもよい。ある実施形態では、電池使用特性は、統計的解析によって生成されたひとつ以上の係数を含む。

ある実施形態において、５１５で電池使用特性を決定することは、抽出された第１属性についての統計的係数を生成することを含んでもよい。ある実施形態では、第２アプリケーションについての電池使用プロファイルは、統計的係数のうちのひとつ以上に基づくものである。ある実施形態では、電池使用プロファイルは、他のアプリケーションと比べたときの電池消費の相対的度合いを示すスコアを含んでもよい。ある実施形態では、電池使用プロファイルは予測された電池消耗レートを含む。

図６Ａは、関連するアプリケーション属性を伴うアプリケーション識別子とデータサンプルに基づく関連する電池消耗レートとを含むアプリケーションチャート６０１の一例、および関連するモデル係数を含むモデル係数チャート６３１の一例を示す。アプリケーションチャート６０１は、アプリケーション識別子の列６１０と、対応するアプリケーション属性（Ａ−Ｅで示される）の複数の列６１０と、アプリケーションについての電池消耗レートの列６２０と、を含む。統計的解析処理は、電池測定サンプルなどのひとつ以上の観測を使用して、アプリケーション属性を電池消耗レートへの寄与に対応付け、モデル係数を生成してもよい。モデル係数はモデル係数チャート６３１によって示されている。ある実施形態では、アプリケーションチャート６０１における各アプリケーションの電池消耗レートは個々に観測されてもよい。ある実施形態では、各アプリケーションの電池消耗レートは、共同観測に基づく統計的解析を介して決定される。共同観測では例えば測定期間中に２つ以上のアプリケーションが実行されているときに消耗レートが測定される。さらに、各アプリケーションの電池消耗レートは複数の電話から集められたデータに基づいてもよい。

図６Ｂは、関連するアプリケーション属性を伴うアプリケーション識別子と図６Ａのモデル係数チャート６３１のデータからの推定に基づく関連する電池消耗レートとを含むアプリケーションチャート６５１の一例を示す。アプリケーションチャート６５１は、アプリケーション識別子の列６１０と、対応するアプリケーション属性（Ａ−Ｅで示される）の複数の列６１０と、アプリケーションについての電池消耗レートであって推定に基づく電池消耗レートの列６５５と、を含む。例えば、モデル係数チャート６３１は、まだ観測されていないアプリケーションの電池消耗レートを推定するために使用されてもよい。したがって、新たなアプリケーションについて抽出されたアプリケーション属性に基づいて、その対応する係数がチャート６３１から取得され、新たなアプリケーションについての電池消耗レートが推定されてもよい。

図７は、電池予測アプリケーション７３０を保持するよう構成された無線デバイス７０５の一例の簡単化されたアーキテクチャを示す。無線デバイス７０５は、プロセッサ７１０と、不揮発性メモリ（ＮＶＭ）構成７２０と、ランダムアクセスメモリ（ＲＡＭ）構成７２５と、ディスプレイ７６０と、トランシーバ７４０と、アンテナ７４５と、電池７５５と、電池モニタ７５０と、を含む。デバイス７０５はキーボードやカメラやモーションセンサなどの不図示の他のコンポーネントを含んでもよい。バス７０８は無線デバイス７０５内のコンポーネントを相互接続してもよい。

無線デバイス７０５はひとつ以上の無線インタフェースを介してデータパケットを送受信してもよい。例えば、無線デバイスのプロセッサ７１０はひとつ以上のトランシーバ７４０およびアンテナ７４５を介してデータパケットを送受信してもよい。無線インタフェース技術の種々の例は、ロングタームエボリューション（ＬＴＥ）やグローバルシステムフォーモバイルコミュニケーション（ＧＳＭ（登録商標））、ＩＥＥＥ ８０２．１１ａ／ｂ／ｇ／ｎ／ａｃ、およびＣＤＭＡ２０００およびＷＣＤＭＡ（登録商標）などのコードディビジョンマルチプルアクセス（ＣＤＭＡ）技術に基づくインタフェースを含む。他の種類の無線インタフェース技術も可能である。無線デバイス７０５はこれらの無線インタフェースのうちのひとつ以上を介してアプリケーションソフトウエアをダウンロードし、ＮＶＭ構成７２０またはＲＡＭ構成７２５などのメモリ構成にそのアプリケーションソフトウエアを格納してもよい。

ＮＶＭ構成７２０は、無線デバイスＯＳなどのソフトウエアと、電池予測アプリケーション７３０などのアプリケーションソフトウエアと、を保持する。プロセッサ７１０はＮＶＭ構成７２０からＲＡＭ構成７２５へソフトウエアをロードし、ＲＡＭ構成７２５からソフトウエアの実行を開始してもよい。ある実施形態では、プロセッサ７１０はＮＶＭ構成７２０から直接ソフトウエアを実行する。ある実施形態では、プロセッサ７１０は複数のプロセッサコアを含む。

電池予測アプリケーション７３０は電池７５５についてのデータを電池モニタ７５０から受けてもよい。そのようなデータは、電圧値、電池残量レベル値、温度値、充電状態（例えば、充電しているか放電しているか）、またはそれらの組み合わせを含んでもよい。ある実施形態では、電池モニタ７５０はデジタル電圧計、デジタル電流計、温度センサ、またはそれらの組み合わせを含む。ある実施形態では、無線デバイス７０５はトランシーバ７４０を介してアプリケーションストアから電池予測アプリケーション７３０をダウンロードし、それをＮＶＭ構成７２０にインストールしてもよい。ある実施形態では、電池予測アプリケーション７３０はデバイス７０５にプレインストールされている。ある実施形態では、デバイス７０５は無線デバイスで実行される処理のひとつ以上の処理識別子と電池モニタ７５０から集められたデータとを含む電池測定サンプルをサーバに送る。ある実施形態では、デバイス７０５は、電池測定サンプル内のひとつ以上の処理識別子に対応する電池予測情報をサーバから受けるよう構成されてもよい。デバイス７０５はとりわけ電池予測情報を使用して、デバイス７０５のディスプレイ７６０に表示可能な電池予測結果を形成してもよい。

図８は、電池解析および予測の処理間アーキテクチャの一例のフローチャートを示す。処理間アーキテクチャは、アプリケーションデータマイニング処理８０５と、デバイス電池測定収集処理８２０と、静的解析処理８１０と、動的解析処理８２５と、データ保持処理８１５と、を含んでもよい。アプリケーションデータマイニング処理８０５はアプリケーションパッケージを取得することを含んでもよい。アプリケーションパッケージは、ソースコードファイル、実行ファイル、自動インストーラのためのインストール指示、メタデータファイルのうちのひとつ以上を含んでもよい。

静的解析処理８１０は、アプリケーションパッケージからアプリケーション属性を抽出することを含んでもよい。ある実施形態では、アプリケーション属性を抽出することは、アプリケーションによってある特定のライブラリが使用されているかを決定することと、もし使用されているなら属性を割り当てることと、を含んでもよい。例えば、アプリケーションがネットワーキングライブラリとリンクしている場合、処理８１０はそのアプリケーションにネットワーク使用属性を割り当ててもよい。アプリケーション属性の種々の例は、ユーザインタフェースバックグラウンドモードタイプ（例えば、音声、ロケーション、ＶｏＩＰ、ネットワーク、ブルートゥース（登録商標））、ジャイロスコープ使用、加速度計使用、ネットワーク使用、ロケーション使用、強度画像レンダリング（例えば、３Ｄ画像レンダリングエンジンの使用）、およびストリーミング音声使用を含む。アプリケーション属性の追加的な例は、フレームワークの数、フレームワーク識別子、アプリケーションプログラミングインタフェース（ＡＰＩ）リスト、ＡＰＩの数、リンクしているライブラリ、サービスハンドラ、およびパーミッションを含む。他の種類のアプリケーション属性も可能である。ある実施形態では、データ保持処理８１５は、静的解析処理８１０によって送られたアプリケーション識別子および関連するアプリケーション属性を受けて保持する。

無線デバイス電池測定収集処理８２０は、無線デバイスから電池測定サンプルを受けてもよい。そのような電池測定サンプルは測定期間についての電池消耗レートデータと、その測定期間中にアクティブであった処理に対応する処理識別子のリストと、を含んでもよい。収集プロセス８２０は、デバイス充電状態中に、例えばデバイスがコンセントにつながれている間になされた測定を除いてもよい。ある実施形態では、電池測定サンプルは、電池レベル（例えば、トータルの容量に対する百分率としての現在の電池残量レベル）、タイムスタンプ、ひとつ以上の処理識別子、デバイス識別子（例えば、電子シリアル番号（ＥＳＮ）または国際移動局装置アイデンティティ（ＩＭＥＩ））、および／またはデバイス製造者モデルストリングを含んでもよい。ある実施形態では、データ保持処理８１５は動的解析処理８２５を介して収集処理８２０から転送された電池測定サンプルを受けて保持する。

相関処理８３０は、データ保持処理８１５から、アプリケーション識別子、アプリケーション属性および電池測定サンプルなどの情報を取得してもよい。相関処理８３０はＭＬＲモデルなどの統計解析技術を使用してどの属性が統計的に重要かを決定し、ＭＬＲモデルからの係数の出力結果を各属性についてのスコアとして適用してもよい。ある実施形態では、相関処理８３０はＰＣＡやｋ平均法などの統計解析技術を使用して、どの属性が統計的に重要かを決定してもよい。相関処理８３０は周期的に（例えば、毎時、毎日または毎週）実行され、追加的なサンプルや新たなアプリケーションやその両方に基づいて係数を更新してもよい。

相関処理８３０は、電池測定サンプルから処理識別子のリストを抽出してもよい。相関処理８３０はデータベース（例えば、図３の保持デバイス３４０内に保持されるデータベースなど）に問い合わせを行い、静的にスコア化されている処理名であって合致する処理名を見つけ、各処理に対する属性を特定してもよい。ある実施形態では、処理８３０は、各アプリケーションについて、サンプル内の処理識別子によって特定される属性ベクトルを取得する。属性ベクトルの各要素は異なる属性を表す。ある実施形態では、要素は１または０であってもよい。１の値を有する要素は、属性がアプリケーションに関連付けられていることを示し、０の値を有する要素は、属性がアプリケーションに関連付けられていないことを示す。相関処理８３０は、サンプルについての集合的な属性ベクトルを生成してもよい。ある実施形態では、集合的な属性ベクトルはサンプルについて取得された全てのベクトルの和である。ある実施形態では、集合的な属性ベクトルは、サンプルについて取得された全てのベクトルに対して要素ごとの論理ＯＲ操作を実行した結果である。そのような集合的属性ベクトルはＭＬＲモデル内で独立な変数を形成しうる。測定サンプル内で特定されたひとつ以上の処理が相関処理８３０によってスコアされていない場合もある。そのような場合、従属変数の値は、（ｉ）サンプル内で静的にスコアされたアプリケーションの割合と（ｉｉ）サンプルによって与えられた電池残量レベルの変化を期間の長さで除したものとに基づいて調整されてもよい。独立変数および従属変数は次にＭＬＲモデルに以下のように入力される。

ここで、β_ｋはｋ番目のモデル係数を表し、ｘ_ｉ，ｋはｉ番目の観測の集合的な属性ベクトルのｋ番目の要素を表し、ε_ｉは誤差項を表す。ＭＬＲモデルはどの属性が統計的に重要かを決定するのに使用されうる。統計的に重要だと判断された属性は次にＭＬＲモデルに再び入力され、その属性のそれぞれについて係数または重みが提供されてもよい。ある実施形態では、関連するＰ値が５％より小さい場合、例えば９５％より大きい信頼区間を有する場合、属性は統計的に重要と決定され、２回目のＭＬＲに追加される。

決定された係数は、データ保持処理８１５を介して保持されるアプリケーションにスコアをつけるのに使用されてもよい。ある実施形態では、あるアプリケーション属性が統計的に重要だと見出されなかった場合、その属性について重みは０に設定されるであろう。データ保持処理８１５を介して保持される各アプリケーションに亘って繰り返すことで、相関処理８３０は、アプリケーションが有するアプリケーション属性に対応する係数を足し合わせることでそのアプリケーションの静的スコア和を生成してもよい。ある実施形態では、アプリケーションについて、静的スコア和に基づいて全体の母集団スコアに対する百分位スコアが計算されてもよい。スコアデータは、デバイス上電池のもち予測のために無線デバイスに提供されてもよい。静的スコア和は電池のもちを予測するために使用されてもよい。百分位スコアは相対的な電池使用の度合いを示すために使用されてもよい。例えば、百分位スコアは複数のカテゴリにグループ分けされ、高レンジ、中間レンジ、低レンジなどのラベルが割り当てられ、無線デバイスのユーザに表示されてもよい。

動的解析処理８２５は収集処理８２０から電池測定サンプルを受け、ひとつ以上のリアルタイム解析を行ってもよい。ある実施形態では、動的解析処理８２５は無線デバイスの母集団に亘って電池消費を測定し、アプリケーションが母集団中の他のアプリケーションと比べてより多くの、より少ない、または同じ程度の電力を消費する傾向にあるかを決定してもよい。ある実施形態では、動的解析処理８２５は無線デバイスに予測情報を送ってもよい。例えば、予測情報は電池測定サンプル中の処理識別子のリストに基づいてまとめられてもよい。予測情報は情報のひとつ以上の集合を含んでもよい。各集合は、処理識別子と、対応するアプリケーションの平均電池消費レートと、ランク値（例えば、他のアプリケーションと比べたときの平均の百分位）と、差分値（例えば、全体平均と比べたときのこのアプリケーションの平均の差分の割合）と、ｔ統計量のＰ値などの統計モデル値と、を含む。ある実施形態では、動的解析処理８２５は、デバイスからの電池測定サンプルに応答するサービスを含む。これは、処理識別子を抽出することと、対応するアプリケーションについての重みやスコアなどのプレ計算された統計情報を取得することと、デバイスにプレ計算された統計情報を送ることと、による。デバイスはプレ計算された統計情報を使用して電池消費レート予測を強化してもよい。

ある実施形態では、相関処理８３０は観測されたクライアント電池消費データ点およびそれとアプリケーション属性との関係に対する統計解析を行ってもよい。相関処理８３０は、測定を照合、リデュース、コンパイルして使用可能な電池消費イベントとし、各アプリケーションがメモリにロードされている間に観測された電池消費レートを計算し、アプリケーションについて前に抽出された情報を使用して他のアプリケーションについて観測されうるレートを推定してもよい。ある実施形態では、相関処理８３０は測定に基づいて電池消費イベントを検出してもよい。ある実施形態では、相関処理８３０は、提出のデバイス識別子およびタイムスタンプによって順序付けられている測定をデータ保持処理８１５から取得する。各測定は前の測定と比較されてもよい。例えば、同じデバイス識別子について電池レベルが増加した場合、デバイスの電池はほぼ確実に測定期間中に再充電されたので、その測定はスキップされてもよい。電池消費イベントは、同じデバイスに対する２つの連続する測定であってそれらの測定の間に電池レベルが上昇していない測定により定義されてもよい。各電池消費イベントは、電池消費割合および経過時間を有してもよい。消費レートは、電池消費を経過時間で除することにより計算されてもよい。レートが決定されると、相関処理８３０は既知のシステム処理名の設定ファイルを使用して測定の処理識別子リストからシステム処理を除き、ユーザ制御可能なアプリケーションに対応する処理のリストを生成してもよい。そのイベントの電池消費レートは次に残りのアプリケーションの数で除され、リデュースレートが生成される。リデュースレートは残りのアプリケーションと関連付けられる。ある実施形態では、相関処理８３０は抽出されたアプリケーション属性をＭＬＲモデルの独立変数として使用してもよく、この場合観測された電池消費レートは従属変数として使用されうる。結果として得られる係数は、ユーザのデバイスにおいてまだ観測されていないアプリケーションについての電池消費レートを推定するのに使用されてもよい。

本明細書に記載のシステムおよび技術のさまざまな実施形態は、デジタル電子回路、集積回路、特別に設計されたＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウエア、ファームウエア、ソフトウエア、および／またはそれらの組合せで実現され得る。これらのさまざまな実施形態は、ストレージシステム、少なくとも1つの入力デバイス、および少なくとも1つの出力デバイスからデータおよびインストラクションを受信し、それらにデータおよびインストラクションを送信するために接続された、専用であっても、または汎用であってもよい少なくとも1つのプログラム可能なプロセッサを含むプログラム可能なシステム上の、実行可能および/または解釈可能な1つまたは複数のコンピュータプログラムでの実施形態を含み得る。

これらのコンピュータプログラム（プログラム、ソフトウエア、ソフトウエアアプリケーション、またはコードとしても知られる）は、プログラム可能なプロセッサ用の機械インストラクションを含み、高級手続き型プログラミング言語および／もしくはオブジェクト指向プログラミング言語、ならびに／またはアセンブリ／機械言語で実装され得る。本明細書で使用される場合、用語「機械可読媒体」、「コンピュータ可読媒体」とは、機械インストラクションを機械可読信号として受信する機械可読媒体を含む、プログラム可能なプロセッサに機械インストラクションおよび／またはデータを提供するために使用される任意のコンピュータプログラム製品、装置、および／またはデバイス（例えば、磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス（ＰＬＤ））を指す。用語「機械可読信号」とは、プログラム可能なプロセッサに機械インストラクションおよび／またはデータを提供するために使用される任意の信号を指す。

ユーザとのインタラクションを行うために、本明細書に記載のシステムおよび技術は、ユーザに対して情報を表示するためのディスプレイデバイス（例えば、ＣＲＴ（ブラウン管）またはＬＣＤ（液晶ディスプレイ）モニタ）、ならびにユーザがコンピュータに入力を与えることができるキーボードおよびポインティングデバイス（例えば、マウスまたはトラックボール）を有するコンピュータ上に実装され得る。その他の種類のデバイスが、ユーザとのインタラクションを行うためにさらに使用され得、例えば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック（例えば、視覚的フィードバック、聴覚的フィードバック、または触覚的フィードバック）であってもよく、ユーザからの入力は、音響、発話、または触覚による入力を含む任意の形態で受け取ることができる。

本明細書に記載のシステムおよび技術は、バックエンドコンポーネントを（例えば、データサーバとして）含むか、またはミドルウエアコンポーネント（例えば、アプリケーションサーバ）を含むか、またはフロントエンドコンポーネント（例えば、ユーザが本明細書に記載のシステムおよび技術の実施形態とインタラクションすることができるグラフィカルユーザインタフェースまたはウェブブラウザを有するクライアントコンピュータ）を含むか、またはそのようなバックエンドコンポーネント、ミドルウエアコンポーネント、もしくはフロントエンドコンポーネントの任意の組み合せを含むコンピューティングシステムで実装され得る。システムのコンポーネントは、任意の形態または媒体のデジタルデータ通信（例えば、通信ネットワーク）によって相互接続され得る。通信ネットワークの例は、ローカルエリアネットワーク(「ＬＡＮ」)、広域ネットワーク(「ＷＡＮ」)、ピアツーピアネットワーク（アドホックまたは静的メンバを有する）、グリッドコンピューティングインフラストラクチャ、およびインターネットを含む。

コンピューティングシステムは、クライアントおよびサーバを含み得る。クライアントおよびサーバは、概して互いに離れており、通常は通信ネットワークを介してインタラクションする。クライアントとサーバとの関係は、それぞれのコンピュータ上で実行されており、互いにクライアント-サーバの関係にあるコンピュータプログラムによって生じる。

いくつかの実施形態が上で詳細に説明されたが、他の変形例もまた可能である。さらに、ソーシャルネットワーク上でのなりすましを検知するための他のメカニズムが使用されてもよい。加えて、図面に示された論理フローは、所望の結果を達成するために、示された特定の順序、または逐次的順序である必要はない。その他のステップが設けられても、またはステップが説明されたフローから削除されてもよく、その他のコンポーネントが説明されたシステムに追加されても、または説明されたシステムから除かれてもよい。したがって、その他の実施形態は、添付の特許請求の範囲の範囲内にある。

Claims (21)

1. データ処理装置によって実施される方法であって、
   無線デバイスの電池に関する電池消耗情報を含む無線デバイス情報を集めることと、
   それぞれが異なる複数の電池使用予測モデルのそれぞれに対応する複数の予測結果を、前記集められた無線デバイス情報に基づき決定することと、
   前記複数の電池使用予測モデルのそれぞれについて確度を決定することと、
   前記決定された確度に基づいて、前記複数の電池使用予測モデルのそれぞれについて重み値を生成することと、
   前記複数の予測結果および前記生成された重み値に基づいて、前記無線デバイスについての電池予測結果を生成することと、を含む方法。
2. 前記複数の電池使用予測モデルは、新たなアプリケーションについての電池使用プロファイルを、電池の使用について既に測定済みのひとつ以上の他のアプリケーションについて集められたデータから推定するよう設定された静的モデルを含み、
   前記電池使用プロファイルは前記新たなアプリケーションと前記ひとつ以上の他のアプリケーションとの間のひとつ以上の類似性の推定に基づく、請求項１に記載の方法。
3. 前記無線デバイス情報を集めることは、新たなアプリケーションのひとつ以上の属性を抽出することを含み、
   前記複数の予測結果を決定することは、
   前記新たなアプリケーションの前記ひとつ以上の抽出された属性に対するひとつ以上の電池使用特性をデータベースから取得することと、
   前記ひとつ以上の抽出された属性に対する前記ひとつ以上の取得された電池使用特性に基づいて、前記新たなアプリケーションについての電池使用プロファイルを推定することと、
   前記推定された電池使用プロファイルに基づいて予測結果を、前記複数の電池使用予測モデルのうちの静的モデルの範囲内で、生成することと、を含む、請求項１に記載の方法。
4. 前記複数の予測結果を決定することは、
   前記電池消耗情報に基づいて予測結果を、前記複数の電池使用予測モデルのうちの動的モデルの範囲内で、生成することを含み、
   前記動的モデルは、前記電池の２以上の測定を介して観測された前記電池消耗情報の変化に応じたものである、請求項３に記載の方法。
5. 前記重み値を生成することは、
   第１期間において、前記新たなアプリケーションが前記無線デバイスで実行されることの検知に応じて、前記静的モデルについての重み値を前記ひとつ以上の動的モデルについての重み値よりも大きく設定することと、
   第２期間において、前記ひとつ以上の動的モデルに対する前記静的モデルの相対的パフォーマンスに基づいて前記静的モデルについての前記重み値を設定することと、を含み、
   前記第２期間は前記第１期間の後である、請求項４に記載の方法。
6. 前記電池予測結果に基づいて、前記電池が使い尽くされた状態になるまでの見積もり時間を決定することを含む、請求項１に記載の方法。
7. 前記無線デバイスで実行される処理のひとつ以上の処理識別子を含む電池測定サンプルをサーバに送ることと、
   前記ひとつ以上の処理識別子に対応する電池予測情報を前記サーバから受けることと、を含み、
   前記複数の予測結果を決定することは、前記電池予測情報を使用することを含む、請求項１に記載の方法。
8. 無線デバイスの電池に関する電池消耗情報を含む無線デバイス情報を保持するよう構成された保持デバイスと、
   前記保持デバイスと通信可能に接続されたプロセッサと、を備え、
   前記プロセッサは、（ｉ）それぞれが異なる複数の電池使用予測モデルのそれぞれに対応する複数の予測結果を、前記無線デバイス情報に基づき決定し、（ｉｉ）前記複数の電池使用予測モデルのそれぞれについて確度を決定し、（ｉｉｉ）前記確度に基づいて、前記複数の電池使用予測モデルのそれぞれについて重み値を生成し、（ｉｖ）前記複数の予測結果および前記重み値に基づいて、前記無線デバイスについての電池予測結果を生成するよう構成される、システム。
9. 前記複数の電池使用予測モデルは、新たなアプリケーションについての電池使用プロファイルを、電池の使用について既に測定済みのひとつ以上の他のアプリケーションについて集められたデータから推定するよう設定された静的モデルを含み、
   前記電池使用プロファイルは前記新たなアプリケーションと前記ひとつ以上の他のアプリケーションとの間のひとつ以上の類似性の推定に基づく、請求項８に記載のシステム。
10. 前記無線デバイス情報は、新たなアプリケーションのひとつ以上の属性を含み、
    前記プロセッサは、
    前記新たなアプリケーションの前記ひとつ以上の抽出された属性に対するひとつ以上の電池使用特性をデータベースから取得し、
    前記ひとつ以上の抽出された属性に対する前記ひとつ以上の取得された電池使用特性に基づいて、前記新たなアプリケーションについての電池使用プロファイルを推定し、
    前記推定された電池使用プロファイルに基づいて予測結果を、前記複数の電池使用予測モデルのうちの静的モデルの範囲内で、生成するよう構成される、請求項８に記載のシステム。
11. 前記プロセッサは、前記電池消耗情報に基づいて予測結果を、前記複数の電池使用予測モデルのうちの動的モデルの範囲内で、生成するよう構成され、
    前記動的モデルは、前記電池の２以上の測定を介して観測された前記電池消耗情報の変化に応じたものである、請求項１０に記載のシステム。
12. 前記プロセッサは、
    第１期間において、前記新たなアプリケーションが前記無線デバイスで実行されることの検知に応じて、前記静的モデルについての重み値を前記ひとつ以上の動的モデルについての重み値よりも大きく設定し、
    第２期間において、前記ひとつ以上の動的モデルに対する前記静的モデルの相対的パフォーマンスに基づいて前記静的モデルについての前記重み値を設定するよう構成され、
    前記第２期間は前記第１期間の後である、請求項１１に記載のシステム。
13. 前記プロセッサは、前記電池予測結果に基づいて、前記電池が使い尽くされた状態になるまでの見積もり時間を決定するよう構成される、請求項８に記載のシステム。
14. データ処理装置によって実施される方法であって、
    複数の第１アプリケーションに関連する第１属性を抽出することと、
    前記複数の第１アプリケーションのうちのひとつ以上を実行するよう構成された複数の無線デバイスから複数のデータサンプルを集めることであって、前記複数のデータサンプルのそれぞれは（ｉ）期間中に無線デバイスで実行されるひとつ以上の処理を特定するひとつ以上のアプリケーション識別子と（ｉｉ）前記期間に関連する電池消耗情報とを含むことと、
    前記複数のデータサンプルの少なくとも一部の間の相関に基づいて、前記抽出された第１属性の電池使用特性を決定することと、
    第２アプリケーションに関連するひとつ以上の第２属性を抽出することと、
    それぞれが前記抽出された第２属性のそれぞれと対応する前記抽出された第１属性のうちのひとつ以上を特定することと、
    それぞれが前記特定された第１属性のそれぞれと対応する前記決定された電池使用特性のひとつ以上を使用して、前記第２アプリケーションについての電池使用プロファイルを決定することと、を含む方法。
15. 前記電池使用特性を決定することは、前記抽出された第１属性についての統計的係数を生成することを含み、
    前記第２アプリケーションについての前記電池使用プロファイルは、前記統計的係数のうちのひとつ以上に基づくものである、請求項１４に記載の方法。
16. 前記電池使用プロファイルは予測された電池消耗レートを含む、請求項１４に記載の方法。
17. 無線デバイスから前記第２アプリケーションに関連する識別子を受けることと、
    前記電池使用プロファイルを前記無線デバイスに、前記受けた識別子に基づいて提供することと、を含む請求項１４に記載の方法。
18. 複数の第１アプリケーションのうちのひとつ以上を実行するよう構成された複数の無線デバイスからの複数のデータサンプルであって、前記複数のデータサンプルのそれぞれは（ｉ）期間中に無線デバイスで実行されるひとつ以上の処理を特定するひとつ以上のアプリケーション識別子と（ｉｉ）前記期間に関連する電池消耗情報とを含む、複数のデータサンプルを保持するよう構成された保持デバイスと、
    前記保持デバイスと通信可能に接続されたプロセッサと、を備え、
    前記プロセッサは、（ｉ）前記複数の第１アプリケーションに関連する第１属性を抽出し、（ｉｉ）前記複数のデータサンプルの少なくとも一部の間の相関に基づいて、前記第１属性の電池使用特性を決定し、（ｉｉｉ）第２アプリケーションに関連するひとつ以上の第２属性を抽出し、（ｉｖ）それぞれが前記第２属性のそれぞれと対応する前記第１属性のうちのひとつ以上を特定された第１属性として特定し、（ｖ）それぞれが前記特定された第１属性のそれぞれと対応する前記電池使用特性のひとつ以上を使用して、前記第２アプリケーションについての電池使用プロファイルを決定するよう構成される、システム。
19. 前記プロセッサは、前記第１属性についての統計的係数を生成するよう構成され、
    前記第２アプリケーションについての前記電池使用プロファイルは、前記統計的係数のうちのひとつ以上に基づくものである、請求項１８に記載のシステム。
20. 前記電池使用プロファイルは予測された電池消耗レートを含む、請求項１８に記載のシステム。
21. 前記プロセッサは、
    無線デバイスから前記第２アプリケーションに関連する識別子を受け、
    前記電池使用プロファイルを前記無線デバイスに、前記識別子に基づいて提供するよう構成される、請求項１８に記載のシステム。

Images