主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2022年专刊出版计划 微信服务介绍 最新一期:2021年第4期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
李豁然,刘譞哲,梅俏竹,梅宏.基于细粒度用户使用数据的智能手机电池续航时间预测模型.软件学报,0,(0):0
基于细粒度用户使用数据的智能手机电池续航时间预测模型
Predicting Smartphone Battery Life by Fine-Grained Usage Data
投稿时间:2019-05-22  
DOI:10.13328/j.cnki.jos.006199
中文关键词:  移动计算|电池续航时间预测|机器学习
英文关键词:mobile computing|battery lifetime prediction|machine learning
基金项目:国家杰出青年科学基金(61725201)
作者单位E-mail
李豁然 北京大学 信息科学技术学院 软件研究所, 北京 100871
高可信软件技术教育部重点实验室(北京大学), 北京 100871 
 
刘譞哲 北京大学 信息科学技术学院 软件研究所, 北京 100871
高可信软件技术教育部重点实验室(北京大学), 北京 100871 
liuxuanzhe@pku.edu.cn 
梅俏竹 密歇根大学 信息学院, 美国 密歇根州 安娜堡 48109  
梅宏 北京大学 信息科学技术学院 软件研究所, 北京 100871
高可信软件技术教育部重点实验室(北京大学), 北京 100871 
 
摘要点击次数: 284
全文下载次数: 194
中文摘要:
      如今,智能手机已经成为人们日常生活中重要的组成部分.然而,在智能手机软硬件能力高速发展的同时,智能手机的电池能力却未能取得突破性的进展.这导致电池的续航能力经常会成为用户使用智能手机时的体验瓶颈.为了提高用户的使用体验,一种可行的方法是为用户提供电池续航时间预测.准确的电池续航时间预测能够帮助用户更加高效地规划其使用,从而能够提高其使用体验.由于缺乏高质量数据的支持,现有电池续航时间预测方法通常比较简单,较难在真实场景下发挥实际用途.为了解决这一问题,本文基于一组细粒度大规模真实用户数据集,提出了一个智能手机电池续航时间预测模型.为了验证模型的效果,本文基于51名用户21个月内的细粒度使用数据进行了实验验证.结果显示,用户在发起查询时的使用行为、在当前会话内的使用行为、以及其历史使用习惯能够在不同程度上帮助电池续航时间预测.总体来说,本文提出的模型能够显著提升预测准确度.
英文摘要:
      Smartphones and smartphone apps have undergone an explosive growth in the past decade. However, smartphone battery technology hasn't been able to keep pace with the rapid growth of the capacity and the functionality of devices and apps. As a result, battery has always been a bottleneck of a user's daily experience of smartphones. An accurate estimation of the remaining battery life could tremendously help the user to schedule their activities and use their smartphones more efficiently. Existing studies on battery life prediction have been primitive due to the lack of real-world smartphone usage data at scale. This paper presents a novel method that uses the state-of-the-art machine learning models for battery life prediction, based on comprehensive and real-time usage traces collected from smartphones. The method is evaluated using a dataset collected from 51 users for 21 months, which covers comprehensive and fine- grained smartphone usage traces including system status, sensor indicators, system events, and app status. We find that the battery life of a smartphone can be accurately predicted based on how the user uses the device at the real-time, in the current session, and in history. As a conclusion, the proposed model could significantly raise the prediction accuracy.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利