一種智能移動終端功耗管理方法
【專利摘要】本發(fā)明提供一種智能移動終端功耗管理方法，包括：11）終端運行一個應用時，獲得該應用的飽和頻率；12）基于ONDEMAND算法對CPU的頻率進行動態(tài)調(diào)節(jié)，其中，對于各個應用，分別將步驟11）所得到的飽和頻率作為ONDEMAND算法中的最高頻率。其中應用的飽和頻率基于應用運行時終端的活動特征的預測模型預測得到。本發(fā)明能夠防止分配過多的計算資源卻無法相應地提高用戶體驗，從而達到節(jié)能優(yōu)化的效果；本發(fā)明能夠達到根據(jù)用戶體驗精確降低功耗的效果。
【專利說明】一種智能移動終端功耗管理方法
【技術領域】
[0001]本發(fā)明涉及數(shù)據(jù)處理技術和終端節(jié)能【技術領域】，具體地說，本發(fā)明涉及一種智能移動終端功耗管理方法。
【背景技術】
[0002]近年，功能多樣的智能手機越來越受到市場歡迎，但與此同時，智能手機待機時間過短的問題也越來越突出，給用戶造成諸多不便。目前，電池技術的發(fā)展速度已難以跟上用戶對于更長的待機時間的渴求，因此通過更加優(yōu)化的智能手機功耗管理策略來延長待機時間成為越來越重要的研究方向之一。
[0003]CPU是智能手機的核心部件，它為花樣繁多的手機應用提供計算支持，比如游戲、瀏覽器、工具軟件等等，這些應用所耗費的電量已經(jīng)超過了傳統(tǒng)的通信所耗費的電量。為了滿足這些應用的需求，CPU性能不斷提升，其功耗也與日俱增，有效降低CPU功耗對降低智能手機整體功耗有著重要意義。
[0004]目前，CPU功耗管理的兩個常用的算法是Linux PERFORMANCE算法和LinuxP0WERSAVING算法。Linux PERFORMANCE算法旨在性能優(yōu)先，它會一直把CPU頻率設在最高水平，而Linux P0WERSAVING算法則是節(jié)能優(yōu)先，它一直把頻率設在最低水平。這兩種算法都沒有考慮動態(tài)地調(diào)節(jié)頻率，導致要么浪費了資源，要么損害了用戶體驗。
[0005]Linux ONDEMAND算法是根據(jù)實時的CPU利用率來調(diào)節(jié)頻率的一種CPU功耗管理算法。在典型的Linux ONDEMAND算法中，當CPU利用率超過一個上限，頻率會設定在最高頻率；當利用率低于一個下限，頻率將會設定在能夠保持較上限低10%的利用率的頻率。相對于Linux PERFORMANCE算法，Linux ONDEMAND算法能夠有效降低CPU的功耗。然而這種功耗管理算法并未直接考慮用戶體驗，而越來越多的實踐表明，很多情況下Linux ONDEMAND算法容易分配過多的計算資源卻無法相應地提高用戶體驗，因此，在Linux ONDEMAND算法的基礎上，還存在進一步降低功耗的空間。
[0006]綜上所述，當前迫切需要一種能夠在保證用戶體驗的前提下，精確降低智能移動終端功耗的解決方案。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的是提供一種能夠在保證用戶體驗不降低的前提下，精確降低智能移動終端功耗的解決方案。
[0008]為實現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種預測應用飽和頻率的模型訓練方法，包括下列步驟:
[0009]I)建立預測模型，該模型將應用運行時終端的活動特征所組成的終端運行特征向量作為輸入，將候選頻率蓋作為輸出；其中，所述應用運行時終端的活動特征包括=CPU的忙碌時間占運行時間的比例或百分比；CPU在各個頻點上的運行時間的比例或百分比；以及CPU持續(xù)忙碌時間長度的均值和方差；[0010]2)基于樣本集訓練所述預測模型，該樣本集中采集了應用運行時終端的活動特征，以及相應的用戶體驗及CPU頻率。
[0011]其中，所述應用運行時終端的活動特征還包括:觸屏所引起系統(tǒng)中斷次數(shù)的均值和方差；觸屏時間長度的均值；觸屏之間間隔時間的均值和方差；以及重力在終端自身坐標系中y軸方向上分力的均值和方差。
[0012]其中，所述預測模型為神經(jīng)網(wǎng)絡模型。
[0013]其中，所述步驟2)中，當大量用戶的平均用戶體驗值與最大用戶體驗值的比值超過預定閾值時，視作已達到飽和頻率。
[0014]本發(fā)明還提供了一種預測應用飽和頻率的方法，包括下列步驟:
[0015]啟動應用，采集該應用運行過程中移動終端的終端運行特征向量，將所采集到的終端運行特征向量輸入用權利要求1?4中任意一項所述的方法所訓練的預測模型，該預測模型所輸出的頻點即為該應用所對應的飽和頻率。
[0016]本發(fā)明還提供了一種智能移動終端功耗管理方法，包括下列步驟:
[0017]11)利用前述預測應用飽和頻率的方法獲得應用的飽和頻率；
[0018]12)基于ONDEMAND算法對CPU的頻率進行動態(tài)調(diào)節(jié)，其中步驟11)所得到的飽和頻率作為ONDEMAND算法中的最高頻率。
[0019]其中，所述步驟11)中，預測應用飽和頻率的模型在服務器端完成訓練，然后，服務器將所述模型的參數(shù)傳送給移動終端，在移動終端建立歷史表記錄每個應用的飽和頻率，每個應用第一次運行時，通過采集到的終端活動特征向量預測得到相應的飽和頻率并記錄到所述歷史表中，以后每次啟動該應用，查看歷史表得到相應的飽和頻率。
[0020]其中，所述步驟11)中，對于所述預測模型未見過的新類型應用，移動終端接受用戶手動設置的頻率及用戶體驗值，并將二者以及相應的終端運行特征向量傳送到服務器，所述服務器將其加入用于模型訓練的所述樣本集。
[0021]與現(xiàn)有技術相比，本發(fā)明具有下列技術效果:
[0022]1、本發(fā)明能夠防止分配過多的計算資源卻無法相應地提高用戶體驗，從而達到節(jié)能優(yōu)化的效果。
[0023]2、本發(fā)明能夠達到根據(jù)用戶體驗精確降低功耗的效果。
【專利附圖】

【附圖說明】
[0024]圖1示出了不同CPU頻率下六個不同應用的用戶體驗的分布情況；
[0025]圖2示出了本發(fā)明一個實施例的流程圖；
[0026]圖3示出了各應用在傳統(tǒng)ONDEMAND算法和基于本發(fā)明一個實施例的ONDEMAND算法下CPU在各頻率上運行時間的對比；
[0027]圖4示出了實驗中不同應用運行時CPU利用率隨時間變化的曲線；其中X坐標表示從小到大順序排列的時間百分片；
[0028]圖5示出了實驗中不同應用運行時觸屏所引起的系統(tǒng)中斷數(shù)隨時間變化的曲線；
[0029]圖6示出了實驗中27個應用在運行時的運動特征散點圖；
[0030]圖7示出了手機坐標系統(tǒng)的示意圖；
[0031]圖8示出了本發(fā)明中使用不同特征向量的實施例預測飽和頻率的精度；[0032]圖9示出了不同算法下的不同應運行時的CPU功耗對比；
[0033]圖10示出了不同算法下的不同應運行時的整機功耗對比。
【具體實施方式】
[0034]為了便于理解，首先介紹本發(fā)明的發(fā)明人針對CPU頻率與用戶體驗之間的關系所做的研究。發(fā)明人做了一個涉及20個用戶和6個應用(包括:Talking Tom, SnowPro, Storm, Fruit Ninja,UC Browser和QQ)的調(diào)研,用以挖掘用戶、應用的特點。調(diào)研中，在用戶使用應用時，隨機的調(diào)整CPU的頻率，并詢問用戶的體驗。用戶體驗分為三級:好，中，差。這樣便得到用戶體驗在各個CPU頻點上的用戶體驗分布。圖1示出了不同CPU頻率下六個不同應用的用戶體驗的分布情況。參考圖1，其中每一個條形表示該用戶體驗水平所對應的用戶數(shù)量。對于某些應用，例如Talking Tom, Snow Pro, Storm，隨著CPU頻率的提高，評“好”的用戶數(shù)量增多，評“差”的用戶數(shù)量減少。但是，也存在另一些應用，比如Fruit Ninja和UC Browser，當CPU頻率從600提高到800時，用戶體驗并沒有顯著提升。而對于QQ，當CPU頻率從300提高到600時，用戶體驗也沒有顯著提升?？梢钥闯?，CPU頻率與用戶體驗并不總是正相關，一些應用存在一個飽和頻率，CPU頻率高于飽和頻率時，用戶體驗幾乎沒有提升。通過甄別不同應用的飽和頻率，將飽和頻率設置為該應用的頻率蓋，使CUP頻率的動態(tài)調(diào)節(jié)范圍不超出該頻率蓋，能夠防止分配過多的計算資源卻無法相應地提高用戶體驗的現(xiàn)象出現(xiàn)，從而達到節(jié)能優(yōu)化的效果。進一步地，為了準確地確定頻率蓋，在下面的實施例中提出了一種基于神經(jīng)網(wǎng)絡模型的預測頻率蓋的方案，它通過應用在移動終端中運行時的一系列活動特征，來預測每個用戶對于每個應用的頻率蓋，從而達到根據(jù)用戶體驗精確降低功耗的效果。
[0035]下面結合實施例對本發(fā)明做進一步的描述。
[0036]根據(jù)本發(fā)明的一個實施例，提供了一種預測應用的飽和頻率的方法。
[0037]應用的飽和頻率與用戶體驗相關，通過實驗可以收集一定數(shù)目的樣本，樣本中記錄用戶體驗隨CPU頻 點變化的關系，以及相應的應用在移動終端中運行時的一系列活動特征，為方便描述，下文中將這所述的一系列活動特征所組成的向量稱為終端運行特征向量?；谒占臉颖荆柧毶窠?jīng)網(wǎng)絡模型，該神經(jīng)網(wǎng)絡模型中，將終端運行特征向量中的每個活動特征作為神經(jīng)網(wǎng)絡模型輸入層的一個神經(jīng)元，將候選的頻率蓋分別作為神經(jīng)網(wǎng)絡模型輸出層的一個神經(jīng)元。利用上述經(jīng)過訓練的神經(jīng)網(wǎng)絡模型，即可預測各個應用的飽和頻率并設置相應的頻率蓋。
[0038]本步驟中，將用戶體驗UX量化定義為:
[0039]￡/Λ.= W

Λ? - N1- Λι
[0040]其中，W1, W2，W3表示用戶體驗的評分，分別為1，2，3，代表“差，中，好，，的評價。N1, N2, N3表示給相應評分的人數(shù)。容易看出，在這種定義下，用戶體驗UX的最大值為3。本實施例中，將UX在2.7以上(B卩UX最大值90%以上)的情況認為是已經(jīng)達到最高的用戶體驗，此時視作無法再顯著提升用戶體驗的情形。更一般化地，可以先設定一個閾值(例如90%)，當大量用戶的平均用戶體驗值與最大用戶體驗值的比值超過該閾值時，即可視作無法再顯著提升用戶體驗的情形，即視作已達到飽和頻率。[0041 ] 現(xiàn)有技術僅通過CPU利用率來調(diào)整CPU頻率，本實施例與現(xiàn)有技術不同，它所利用的應用在移動終端中運行時的活動特征包括一系列與CPU相關的特征。這些與CPU相關的特征包括:
[0042]a、CPU的忙碌時間占運行時間的比例(Rbt)，
[0043]b、CPU在各個候選頻點(即候選頻率蓋的頻點)上的運行時間的百分比(Pf)，
[0044]C、持續(xù)忙碌時間長度的均值和方差(μ (Lcb), δ (Lcb))。
[0045]具體地，Rbt是CPU利用率在100%的運行時間與總運行時間的比值。Rbt越大說明該應用對計算量的需求就越大。比如，圖4示出了實驗中不同應用運行時CPU利用率隨時間變化的曲線；其中X坐標表示從小到大順序排列的時間百分片。在圖4中，Storm的Rbt高達65%，而且其相應的頻率蓋為800MHz。相反，QQ和UC的Rbt值只有30%，最終它們的頻率蓋是較低的600MHz。
[0046]但是，只使用Rbt是不夠的，因為Rbt并沒有考慮到CPU頻率。比如說，不同的應用可能有相近的Rbt，但是運行在不同的CPU頻率。這樣，在較高頻率的那個應用肯定更消耗計算資源。本實施例引入Pf這個特征。圖3示出了各應用在傳統(tǒng)ONDEMAND算法和基于本發(fā)明一個實施例的ONDEMAND算法下CPU在各頻率上運行時間的對比，如圖3所示，ONDEMAND算法(圖中的w/o cap)中應用擁有各自的Pf值。
[0047]連續(xù)忙碌時間(CBsession)是指CPU利用率連續(xù)保持100%的時間。通常，一個持續(xù)時間較長的Cbsession是由較大的負載造成的,帶來比較高的μ (Lcb)。相反,較小的負載只能引起較短的Cbsession和較低的μ (Lcb)。一個擁有較高μ (Lcb)的應用應該運行在較高的CPU頻率上，這樣才能保證它的實時反應。本實施例進一步使用δ (Lcb)來對不同的應用進行分類。圖4示出了實驗中6個應用在運行時的CPU連續(xù)忙碌時間長度的均值和方差。如圖4所示，暴風影音具有較高的δ (Lcb)，這表示它需要較高的頻率蓋，也就是800MHz。相比之下，水果忍者具有較低的μ (Lcb)和δ (Lcb)，說明它只需要較低的頻率蓋。
[0048]上述CPU相關的特征在大多數(shù)的情況下可以很好刻畫應用對CPU性能的需求，具有較高的預測精度。然而對于某些特殊應用，例如游戲類和視頻類的應用，CPU相關的特征對于只能分別得到70%和50%的預測精度，如圖8所示。鑒于此，在一個優(yōu)選實施例中，還可以增加另外兩類特征，即觸屏特征和運動特征，來對應用進行分類。
[0049]不同類型的應用通常有自己獨特的觸屏特征，這將在觸屏引起的系統(tǒng)中斷信息中有所體現(xiàn)。圖5示出了實驗中不同應用運行時觸屏所引起的系統(tǒng)中斷數(shù)隨時間變化的曲線?？梢钥吹経C Browser相比于Gofishing和Dragon有更頻繁的觸屏，而Storm幾乎沒有觸屏。另外，不同應用的觸屏的時間也不盡相同。比如，比如某些應用需要更多地拖動頁面，而拖動頁面，其觸屏時間一般比點觸一個頁面小控件要長。另外，不同的應用兩次觸屏之間的時間間隔變化也很大。考慮到這些情況，該優(yōu)選實施例中采用了三個方面的觸屏特征，包括:觸屏所引起系統(tǒng)中斷次數(shù)(Nint)的均值和方差(μ (Nint), δ (Nint))，采樣頻率為5Hz，觸屏時間長度的均值(μ (Ltouch))，觸屏之間間隔時間(Linterval)的均值和方差(μ (Linterval), δ (Linterval))。
[0050]下面再介紹手機運動方面的特征。這些運動方面的特征是從手機內(nèi)置的重力感應器的信息獲取到的。圖6示出了實驗中27個應用在運行時的運動特征散點圖。其中，X軸表示重力在手機豎直方向上分量的均值，用μ (y)表示。y軸則為相應的標準差，即δ (y).為清楚起見，應用被標注為游戲類、瀏覽器類、和視頻類。圖中，平面分割成了四個區(qū)域(Domain)，Domainl包含了需要橫握手機，并且頻繁搖晃手機的應用，比如競速類的游戲。Domain2主要是一些需要橫握手機，但是幾乎沒有搖晃的應用。一些豎握手機，不需要搖晃的應用，比如瀏覽器，一般分布在Domain3。另外，實驗中沒有應用出現(xiàn)在Domain4里。
[0051]圖8顯示了使用不同集合的特征所帶來的預測精度。僅僅使用CPU特征可以使瀏覽器類的應用有較好的預測精度，但是對于游戲類和視頻類的應用僅能是預測精度達到70%和50%。當使用上述所有特征時，可以把相應預的測精度提高到91%和85%。使用結果證實了前述分析。
[0052]基于前述分析，對于本發(fā)明的一個實施例，提供了一種訓練飽和頻率預測模型的方法，包括步驟101?103:
[0053]步驟101:建立一個三層神經(jīng)網(wǎng)絡模型，其輸入層有12個神經(jīng)元，隱藏層有18個神經(jīng)元，輸出層有4個神經(jīng)元。
[0054]其中，三層神經(jīng)網(wǎng)絡模型的輸出層是一個4元素的向量，每個元素分別代表300MHz、600MHz、800MHz以及HIGHER。HIGHER的意思是，應用對計算性能的需求太高了，以至于800MHz都滿足不了它的需求。
[0055]三層神經(jīng)網(wǎng)絡模型的輸入層的12個神經(jīng)元就是前面介紹的12個特征，這12個特征構成終端運行特征向量。12個特征分別是:
[0056]UCPU的忙碌時間占運行時間的比例或百分比(忙碌是指，CPU的利用率在100%)；
[0057]2、CPU在各個頻點上的運行時間的比例或百分比，本實施例中，將CPU在300MHz上運行時間的比例或百分比，以及CPU在600MHz上運行時間的比例或百分比分別作為兩個特征值，300MHz、600MHz是最終輸出的候選頻率蓋中數(shù)值較小的兩個；
[0058]3、持續(xù)忙碌時間長度的均值和方差(持續(xù)忙碌時間是指，CPU的利用率持續(xù)保持100%)，其中均值和方差各自作為一個特征值；
[0059]4、觸屏所引起系統(tǒng)中斷次數(shù)的均值和方差，其中均值和方差各自作為一個特征值；
[0060]5、觸屏時間長度的均值，即從手指按下到松開的時間；
[0061]6、觸屏之間間隔時間的均值和方差，其中均值和方差各自作為一個特征值；
[0062]7、重力在手機自身坐標系中y軸方向(指手機的縱向方向，圖7示出了手機坐標系統(tǒng)的示意圖)上分力的均值和方差，其中均值和方差各自作為一個特征值。
[0063]上述12個特征中，I至3為CPU相關特征，4至5為觸屏特征，7為終端的物理運動特征。4至7可統(tǒng)稱為非CPU相關特征。參考前文中對各類特征的分析，可以看出，選擇全部12個特征作為預測模型的輸入層僅是一個優(yōu)選方案，在別的實施例中，也可以選擇12個特征中的一部分作為預測模型的輸入層，例如可以僅使用CPU相關特征而不使用觸屏特征和終端的物理運動特征，這種預測模型可以較為準確地預測非視頻類和非游戲類的大多數(shù)應用(例如瀏覽器類的應用)的飽和頻率。
[0064]步驟102:采集樣本數(shù)據(jù)作為訓練集，用該訓練集訓練步驟101所建立的三層神經(jīng)網(wǎng)絡模型。在不同的應用運行過程中，采集前文中所述的12個移動終端的活動特征，從而構成終端運行特征向量。本實施例中，采集了 20個用戶和27個應用的數(shù)據(jù)作為訓練集。
[0065]步驟103:用戶啟動一個應用后，采集該應用運行過程中移動終端的終端運行特征向量，將所采集到的終端運行特征向量輸入經(jīng)步驟102訓練的三層神經(jīng)網(wǎng)絡模型，在輸出層得到300MHz、600MHz、800MHz、HIGHER中的一個，所得到的頻點即為該應用所對應的飽和頻率(當輸出結果為HIGHER時，可認為飽和頻率過高，此時可視為頻率蓋為空，即不另外
設置頻率蓋)。
[0066]發(fā)明人實施了一個4重交叉驗證過程來驗證本實施例的模型。
[0067]實驗采用摩托羅拉ME525手機。其應用處理器采用T10MAP3610，集成了 ARMCortex A8內(nèi)核，它有300MHz、600MHz、800MHz三個可以調(diào)節(jié)的頻點。同時采用PowerVRSGX530集成顯示芯片。幾乎可以勝任所有現(xiàn)行主流的3D游戲。擁有512M RAM,并且配備了 3.7寸1600萬像素TFT屏幕。采用android2.2操作系統(tǒng)，在高性能模式下可以很好的滿足用戶的體驗。
[0068]發(fā)明人開發(fā)了一個后臺服務來采集系統(tǒng)活動信息(即終端活動特征向量)，它的采樣頻率為為5Hz。實驗中采集了 20個用戶使用27個應用時的系統(tǒng)活動信息，以及用戶體驗反饋。所測試的27個應用是Google Play上都是非常流行的，其中包括憤怒小鳥、QQ、UC瀏覽器等等。每一個測試過程時長3分鐘，總的采集時間達到了 20個小時。進行特征提取之后，就得到540個訓練樣例，并用相應的飽和頻率(通過用戶體驗反饋獲得)給每個訓練樣例貼上標簽。
[0069]把訓練集隨機地分為4組，然后任意選取3個合并為訓練集，另外一個作為驗證集。這樣，得到的平均的訓練集預測精度為92%，驗證集合的為80%。發(fā)明人還使用了 5個既沒有在訓練集中出現(xiàn)，也沒有在驗證集出現(xiàn)的新應用作為測試集，來測試已訓練好的模型。實驗顯示，該模型可以得到82%的預測精度。
[0070]基于上述預測各應用飽和頻率的方案，可以進一步地對移動終端做功耗管理，從而精確地降低移動終端的功耗。
[0071]根據(jù)本發(fā)明的另一個實施例，提供了一種移動終端功耗管理方法，包括下列步驟:
[0072]步驟1:終端運行一個應用時，獲得該應用的飽和頻率。預測飽和頻率的方法參見前文的實施例，此處不再贅述。
[0073]本實施例中，整個系統(tǒng)的架構可采用服務器-客戶端的形式。預測飽和頻率的模型在高性能的服務器端完成訓練。然后，服務器將預測模型的參數(shù)傳送給客戶端，也就是智能移動終端。在客戶端，建立了一個歷史表來記錄每個應用的頻率蓋(即飽和頻率)。每個應用第一次運行時，通過采集到的終端活動特征向量預測得到相應的頻率蓋并記錄到所述歷史表中。這樣，以后每次啟動該應用，只需要查看歷史表即可得到相應的頻率蓋。如果在歷史表中沒有找到，系統(tǒng)將啟動預測過程，并且將這個新的應用-頻率蓋記錄加到歷史表中。
[0074]另外，考慮到有預測模型未見過新類型的應用出現(xiàn)時，預測模型需要自適應地改進自身。所以，本實施例提供了用戶界面，使得用戶可以手動地設置的頻率蓋。同時，終端的后臺程序?qū)⑦@個頻率蓋的值和系統(tǒng)運行時的信息(即終端運行特征向量)傳送到服務器。這些數(shù)據(jù)將成為機器學習的新的訓練樣本，從而不斷校正預測模型。
[0075]步驟2:基于ONDEMAND算法對CPU的頻率進行動態(tài)調(diào)節(jié)，其中，對于各個應用，分別將步驟I所得到的飽和頻率作為ONDEMAND算法中的最高頻率。
[0076]本實施例的功耗管理方法是建立在ONDEMAND算法之上的，原始的LinuxONDEMAND算法是:當CPU利用率(cpu_ut i I)大于一個上限(UP_THRESHOLD )時，將CPU的頻率設置在“最高頻率”(highest_frequency);當CPU利用率小于一個下限(D0WN_THRESHOLD )時，將頻率設定在能維持CPU利用率至少(UP_THRESHOLD 一 10%)的水平。ONDEMAND算法的相關代碼如下:
[0077]

if> UP.—.THRESHOLD then

Si'l^FiVi/ut'ue} ! highest_f 1-equency)

else if< down—threshold then

rtHluesi mi^frvq -s— frMfaeavv fhai maintains a

IKiiiAiihm ,W imst UP—THRESHOLD — 10%


Set.....FmfiiencYt n-1/ttested.....freq)

end if
[0078]本實施例中，在采取動態(tài)的限制“最高頻率”的方法，也就是根據(jù)不同的應用賦予不同的“higheSt_freqUenCy”，這個“最高頻率”可稱為頻率蓋。采用這種方法可以有效的防止CPU頻率過度調(diào)高。并且，實驗證明，設置頻率蓋并不會導致各應用在低頻率上的運行時間明顯減少。如圖3所示，比較原始ONDEMAND算法和本實施例的方法，應用在300MHz這個低頻點上的時間分布并沒有明顯變化，也就是說，消除頻率的過度調(diào)高并不會帶來低頻點上運行時間的顯著減少，因此從整體上能夠降低CPU的功耗。
[0079]為了驗證本實施例的有效性，發(fā)明人研究了頻率蓋預測結果和用戶實際選擇的匹配率。對頻率蓋的預測精度決定了設置頻率蓋是否能避免用戶體驗下降。表1給出了預測結果和用戶實際選擇的匹配率。
[0080]表1
[0081]
【權利要求】
1.一種預測應用飽和頻率的模型訓練方法，包括下列步驟: 1)建立預測模型，該模型將應用運行時終端的活動特征所組成的終端運行特征向量作為輸入，將候選頻率蓋作為輸出；其中，所述應用運行時終端的活動特征包括=CPU的忙碌時間占運行時間的比例或百分比；CPU在各個頻點上的運行時間的比例或百分比；以及CPU持續(xù)忙碌時間長度的均值和方差； 2)基于樣本集訓練所述預測模型，該樣本集中采集了應用運行時終端的活動特征，以及相應的用戶體驗及CPU頻率。
2.根據(jù)權利要求1所述的預測應用飽和頻率的模型訓練方法，其特征在于，所述應用運行時終端的活動特征還包括:觸屏所引起系統(tǒng)中斷次數(shù)的均值和方差；觸屏時間長度的均值；觸屏之間間隔時間的均值和方差；以及重力在終端自身坐標系中y軸方向上分力的均值和方差。
3.根據(jù)權利要求1所述的預測應用飽和頻率的模型訓練方法，其特征在于，所述預測模型為神經(jīng)網(wǎng)絡模型。
4.根據(jù)權利要求1所述的預測應用飽和頻率的模型訓練方法，其特征在于，所述步驟2)中，當大量用戶的平均用戶體驗值與最大用戶體驗值的比值超過預定閾值時，視作已達到飽和頻率。
5.一種預測應用飽和頻率的方法，包括下列步驟: 啟動應用，采集該應用運行過程中移動終端的終端運行特征向量，將所采集到的終端運行特征向量輸入用權利要求1?4中任意一項所述的方法所訓練的預測模型，該預測模型所輸出的頻點即為該應用所對應的飽和頻率。
6.一種智能移動終端功耗管理方法，包括下列步驟: 11)利用權利要求5所述的方法獲得應用的飽和頻率； 12)基于ONDEMAND算法對CPU的頻率進行動態(tài)調(diào)節(jié)，其中步驟11)所得到的飽和頻率作為ONDEMAND算法中的最高頻率。
7.根據(jù)權利要求6所述的智能移動終端功耗管理方法，其特征在于，所述步驟11)中，預測應用飽和頻率的模型在服務器端完成訓練，然后，服務器將所述模型的參數(shù)傳送給移動終端，在移動終端建立歷史表記錄每個應用的飽和頻率，每個應用第一次運行時，通過采集到的終端活動特征向量預測得到相應的飽和頻率并記錄到所述歷史表中，以后每次啟動該應用，查看歷史表得到相應的飽和頻率。
8.根據(jù)權利要求7所述的智能移動終端功耗管理方法，其特征在于，所述步驟11)中，對于所述預測模型未見過的新類型應用，移動終端接受用戶手動設置的頻率及用戶體驗值，并將二者以及相應的終端運行特征向量傳送到服務器，所述服務器將其加入用于模型訓練的所述樣本集。
【文檔編號】H04W52/02GK103475790SQ201310403344
【公開日】2013年12月25日 申請日期:2013年9月6日 優(yōu)先權日:2013年9月6日
【發(fā)明者】李雪亮, 鄢貴海, 韓銀和, 李曉維 申請人:中國科學院計算技術研究所