CN104423532B - 移动终端的电源管理方法、装置及*** - Google Patents
移动终端的电源管理方法、装置及*** Download PDFInfo
- Publication number
- CN104423532B CN104423532B CN201310404043.1A CN201310404043A CN104423532B CN 104423532 B CN104423532 B CN 104423532B CN 201310404043 A CN201310404043 A CN 201310404043A CN 104423532 B CN104423532 B CN 104423532B
- Authority
- CN
- China
- Prior art keywords
- test
- mobile terminal
- index
- forecast model
- performance parameter
- 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.)
- Active
Links
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
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种移动终端的电源管理方法、装置及***,用以解决现有技术中移动终端在测试期间一直处于高能耗状态导致终端耗电量大的问题。在本发明中,移动终端将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在移动终端中测试指标最大概率的预测执行时长,根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理,能够有效地根据测试任务中不同测试阶段对应的耗电状态来进行电源管理。
Description
技术领域
本发明涉及移动通信***,尤其是涉及一种移动终端的电源管理方法、装置及***。
背景技术
智能终端已经普及应用,一般的终端对应的操作***均由电源管理模块来降低终端的功耗,增加终端待机时间,提升用户体验。而当前很多业务和网络质量的测试也可以在普通或商用智能终端上进行,但是在这些终端上所执行的测试次数多、测试时间较长,在测试期间对终端的电量消耗非常大。
传统的商用终端和测试终端节电方法一般包括:在固定时间后无用户操作就进入节电状态,节电状态下无法正常执行测试。但是,测试终端可能会长时间处于业务自动拨测状态,这自动拨测期间很少出现人机交互,测试终端的操作***很难判断当前终端术语测试状态,所以将一直处于高压高频的状态,从而一直处于高能耗状态。
目前,没有有效的方法来解决移动终端在测试期间一直处于高能耗状态,导致终端耗电量大的问题。
发明内容
本发明实施例提供一种移动终端的电源管理方法、装置及***,用以解决现有技术中移动终端在测试期间一直处于高能耗状态导致终端耗电量大的问题。
本发明实施例技术方案如下:
一种移动终端的电源管理方法,包括:移动终端将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在该终端中测试指标最大概率的预测执行时长;其中,预设的预测模型是基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到的;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态;移动终端在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
其中,移动终端将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在该终端中测试指标最大概率的预测执行时长,具体包括:将将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,确定得到测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值最大概率对应的类别,将该类别对应的测试时长作为测试指标最大概率的预测执行时长。
其中,根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,具体包括:在执行测试任务的过程中,在测试指标的预测执行时长对应的测试阶段内,耗电状态为高压高频;在执行测试指标后等待执行结果对应的测试阶段内,耗电状态为中压中频;在执行两个测试指标之间的间歇时间对应的测试阶段内,耗电状态为低压低频;则,
移动终端在执行测试任务的期间,根据所确定的测试任务中各个测试指标的预测执行时长和耗电状态进行电源管理,具体包括:在执行测试指标后等待执行结果对应的测试阶段内以及在执行两个测试指标之间的间歇时间对应的测试阶段内,控制移动终端进入待机状态。
优选地,所述方法还包括:移动终端接收并保存来自测试服务器下发的预设的预测模型;预设的预测模型是测试服务器基于高斯混合模型对历史测试数据进行训练学习得到的。
优选地,所述方法还包括:移动终端在测试任务执行完后,将测试任务的测试数据发送给测试服务器,测试数据为测试服务器根据该测试数据更新预测模型提供参考;其中,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长。
一种移动终端的电源管理装置,包括:测试时长确定模块,用于将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在所述装置所述移动终端中测试指标最大概率的预测执行时长;其中,预设的预测模型是基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到的;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;耗电状态确定模块,用于根据所述测试时长确定模块所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态;电源管理模块,用于根据所述耗电状态确定模块所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
其中,测试时长确定模块,具体用于:将将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,确定得到测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值最大概率对应的类别,将该类别对应的测试时长作为测试指标最大概率的预测执行时长。
其中,耗电状态确定模块,具体用于:确定在执行测试任务的过程中,在测试指标的预测执行时长对应的测试阶段内,耗电状态为高压高频;在执行测试指标后等待执行结果对应的测试阶段内,耗电状态为中压中频;在执行两个测试指标之间的间歇时间对应的测试阶段内,耗电状态为低压低频;则,
电源管理模块,具体用于:在执行测试指标后等待执行结果对应的测试阶段内以及在执行两个测试指标之间的间歇时间对应的测试阶段内,控制所述装置所属移动终端进入待机状态。
优选地,所述装置还包括:保存模块,用于接收并保存来自测试服务器下发的预设的预测模型;预设的预测模型是测试服务器基于高斯混合模型对历史测试数据进行训练学习得到的。
优选地,所述装置还包括:同步更新模块,用于在测试任务执行完后,将测试任务的测试数据发送给测试服务器,测试数据为测试服务器根据该测试数据更新预测模型提供参考;其中,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长。
一种移动终端的电源管理方法,包括:测试服务器基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;测试服务器将预测模型发送给移动终端,该预测模型为移动终端执行以下处理提供参考:将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在移动终端中测试指标最大概率的预测执行时长,根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,以及在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
优选地,所述方法还包括:测试服务器接收来自移动终端的测试数据,根据该测试数据更新预测模型;其中,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长;将更新后的预测模型发送给移动终端。
一种移动终端的电源管理装置,包括:预测模型生成模块,用于基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;收发模块,用于将所述预测模型生成模块得到的预测模型发送给移动终端,该预测模型为移动终端执行以下处理提供参考:将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在移动终端中测试指标最大概率的预测执行时长,根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,以及在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
优选地,收发模块,还用于:接收来自移动终端的测试数据,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长;并,将预测模型生成模块更新后的预测模型发送给移动终端;预测模型生成模块,还用于:用于根据收发模块接收到的测试数据更新预测模型生成模块生成的预测模型。
一种移动终端的电源管理***,包括:测试服务器,用于基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;将预测模型发送给移动终端;移动终端,用于接收并保存来自测试服务器下发的预设的预测模型;移动终端将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在该终端中测试指标最大概率的预测执行时长;根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态;移动终端在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
在本发明实施例的技术方案中,移动终端将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在移动终端中测试指标最大概率的预测执行时长,根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理,能够有效地根据测试任务中不同测试阶段对应的耗电状态来进行电源管理,从而能够解决现有技术中移动终端在测试期间一直处于高能耗状态导致终端耗电量大的问题。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1a为本发明实施例提供的移动终端的电源管理***的结构框图;
图1b为本发明实施例提供的移动终端的电源管理方法的工作流程图;
图2为本发明实施例提供的移动终端的电源管理装置的结构框图;
图3为本发明实施例提供的移动终端的电源管理装置的另一结构框图;
图4为本发明实施例提供的移动终端的电源管理方法的另一工作流程图;
图5为本发明实施例提供的移动终端的电源管理装置的另一结构框图。
具体实施方式
以下结合附图对本发明的实施例进行说明,应当理解,此处所描述的实施例仅用于说明和解释本发明,并不用于限定本发明。
针对现有技术中移动终端在测试期间一直处于高能耗状态导致终端耗电量大的问题,本发明实施例提供了一种移动终端的电源管理方法、装置及***,用以解决该问题。
在本发明实施例中,移动终端通过预设的预测模型来确定测试任务中测试指标的预测执行时长,并根据测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理,从而能够有效地根据测试任务中不同测试阶段对应的耗电状态来进行电源管理。
首先对移动终端侧的工作原理进行说明。
图1a示出了本发明实施例提供的移动终端的电源管理***的结构框图,该***包括:
测试服务器1,用于基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;将预测模型发送给移动终端2;
移动终端2,用于接收并保存来自测试服务器1下发的预设的预测模型;移动终端2将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在该终端2中测试指标最大概率的预测执行时长;根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态;移动终端2在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
下面分别说明移动终端2的工作原理和测试服务器1的工作原理。
首先对图1a中移动终端2的工作原理进行说明。
图1b示出了本发明实施例提供的移动终端的电源管理方法的工作流程图,该方法包括:
步骤101、移动终端将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在移动终端中测试指标最大概率的预测执行时长;
具体地,移动终端的性能参数包括但不限于:移动终端的CPU频率,移动通信网络的性能参数包括但不限于:移动终端所属小区的信号强度值和移动通信网络的类型(例如2G网络、3G网络合作和LTE网络);
具体地,预设的预测模型可以是预置在移动终端中的;也可以是测试服务器下发的,则预设的预测模型是测试服务器基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到的;
将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;
高斯混合模型(GMM,Gaussian Mixture Model)就是用高斯概率密度函数(正态分布曲线)精确地量化事物,将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。
首先介绍一下单维高斯模型(SGM,Single Gaussian Model),假设多维变量X服从高斯分布时,它的概率密度函数PDF为公式(1)所示,其中,x是维度为d的列向量,u是模型期望,Σ是模型方差。在实际应用中u通常用样
本均值来代替,Σ通常用样本方差来代替。很容易判断一个样本x是否属于类别C。因为每个类别都有自己的u和Σ,把x代入(1)式,当概率大于一定阈值时我们就认为x属于C类。而高斯混合模型就是认为数据是从几个GSM中生成出来的,如公式(2)所示;
在本发明实施例的预测模型中,将所有可能影响到测试运行时间的维度都可以设置到多维变量X中作为一个维度。例如,x(x1,x2,x3),其中x1=当前时刻值、x2=测试指标标识,x3=终端CPU主频,X4=网络类型(2G,3G,wifi还是LTE)、...、xn=平均信号强度。在收集到了足够多的样本以后,可以通过最大期望值(EM,Expiration Maximum)算法找出服从某种分布Pr(x;θ),我们想找到一组参数θ,使得生成这些数据点的概率最大。通常通过log-likelihood的方法即公式(3)来计算:
在这里,将训练样本中分类后的终端测试运行的时间作为变量Y。这个数据点的分类标签Y是已知的,那么求解模型参数直接利用最大似然算法(Maximum Likelihood)就可以了。EM算法的基本思路是:随机初始化一组参数θ(0),根据后验概率Pr(Y|X;θ)来更新Y的期望E(Y),然后用E(Y)代替Y求出新的模型参数θ(1)。如此迭代直到θ趋于稳定。这里k值可以根据经验值进行预算设置,一般取值3~5即可;
例如,在本发明实施例中,在移动终端运行预测模型过程中,将输入变量X=(当前时刻值、测试指标标识,移动终端的CPU频率,当前时刻的网络信号强度、网络类型)带入到训练好的混合高斯模型中即可计算出在哪一个分类(执行时长)点的概率最高,便可以预测出当前环境下测试指标在当前终端最可能的执行时间即预测执行时长;
也即,移动终端将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在该终端中测试指标最大概率的预测执行时长,具体包括:
将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,确定得到测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值最大概率对应的类别,将该类别对应的测试时长作为测试指标最大概率的预测执行时长;
步骤102、根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态;
具体地,在执行测试任务的过程中,在测试指标的预测执行时长对应的测试阶段内,耗电状态为高压高频;
在执行测试指标后等待执行结果对应的测试阶段内,耗电状态为中压中频;
在执行两个测试指标之间的间歇时间对应的测试阶段内,耗电状态为低压低频;
步骤103、移动终端在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
具体地,在执行测试指标后等待执行结果对应的测试阶段内以及在执行两个测试指标之间的间歇时间对应的测试阶段内,控制移动终端进入待机状态。
根据上述处理过程,移动终端通过预设的预测模型来确定测试任务中测试指标的预测执行时长,并根据测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理,从而能够有效地根据测试任务中不同测试阶段对应的耗电状态来进行电源管理,能够解决现有技术中移动终端在测试期间一直处于高能耗状态导致终端耗电量大的问题。
优选地,移动终端在测试任务执行完后,将测试任务的测试数据发送给测试服务器,测试数据为测试服务器根据该测试数据更新预测模型提供参考;其中,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长。从而使得测试服务器能够根据测试时间不断地完善预测模型。
基于相同的发明构思,本发明实施例还提供了一种移动终端的电源管理装置,该装置位于移动终端中。
图2示出了本发明实施例提供的移动终端的电源管理装置的结构框图,该装置包括:
测试时长确定模块21,用于将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在所述装置所属移动终端中测试指标最大概率的预测执行时长;
具体地,预设的预测模型是基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到的;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;则,
测试时长确定模块21,具体用于:将将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,确定得到测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值最大概率对应的类别,将该类别对应的测试时长作为测试指标最大概率的预测执行时长;
耗电状态确定模块22,连接至测试时长确定模块21,用于根据所述测试时长确定模块21所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态;
具体地,耗电状态确定模块22确定在执行测试任务的过程中,在测试指标的预测执行时长对应的测试阶段内,耗电状态为高压高频;在执行测试指标后等待执行结果对应的测试阶段内,耗电状态为中压中频;在执行两个测试指标之间的间歇时间对应的测试阶段内,耗电状态为低压低频;
电源管理模块23,连接至耗电状态确定模块22,用于根据所述耗电状态确定模块所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
具体地,电源管理模块23在执行测试指标后等待执行结果对应的测试阶段内以及在执行两个测试指标之间的间歇时间对应的测试阶段内,控制移动终端进入待机状态。
优选地,如图3所示,本发明实施例提供的移动终端的电源管理装置在图2所示装置的基础上,还包括:
保存模块24,连接至测试时长确定模块21,用于接收并保存来自测试服务器下发的预设的预测模型;预设的预测模型是测试服务器基于高斯混合模型对历史测试数据进行训练学习得到的。
同步更新模块25,连接至测试时长确定模块21,用于在测试任务执行完后,将测试任务的测试数据发送给测试服务器,测试数据为测试服务器根据该测试数据更新预测模型提供参考;其中,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长。
通过图2或图3所示的装置,通过预设的预测模型来确定测试任务中测试指标的预测执行时长,并根据测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理,从而能够有效地根据测试任务中不同测试阶段对应的耗电状态来进行电源管理,能够解决现有技术中移动终端在测试期间一直处于高能耗状态导致终端耗电量大的问题。
通过图3所示的装置,还能够将实际的测试数据发送给测试服务器,以使测试服务器更新预测模型。
下面对图1a中测试服务器1的工作原理进行说明。
图4示出了本发明实施例提供的移动终端的电源管理方法的工作流程图,该方法包括:
步骤401、测试服务器基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型;
具体地,测试服务器将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;
并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;
步骤402、测试服务器将预测模型发送给移动终端,该预测模型为移动终端执行以下处理提供参考:将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到测试指标在移动终端中最大概率的预测执行时长,根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,以及在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
优选地,测试服务器还接收来自移动终端的测试数据,根据该测试数据更新预测模型;其中,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长;将更新后的预测模型发送给移动终端。
通过图4所示的方法,测试服务器基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型,并将该预测模型下发给移动终端,能够为移动终端根据该预测模块进行测试期间的电源管理提供依据,从而使移动终端能够在测试任务执行期间有效地进行电源管理。
并且,测试服务器根据移动终端上报的测试数据更新预测模型,能够进一步完善预测模型。
基于相同的发明构思,本发明实施例还提供了一种移动终端的电源管理装置,该装置位于测试服务器中。
图5示出了本发明实施例提供的移动终端的电源管理装置的结构框图,该装置包括:
预测模型生成模块51,用于基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型;
具体地,预测模型生成模块51将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;
收发模块52,连接至预测模型生成模块51,用于将所述预测模型生成模块51得到的预测模型发送给移动终端,该预测模型为移动终端执行以下处理提供参考:将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到测试指标最大概率的预测执行时长,根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,以及在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
优选地,收发模块52,还用于:接收来自移动终端的测试数据,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长;并,将预测模型生成模块更新后的预测模型发送给移动终端;
预测模型生成模块51,还用于:用于根据收发模块接收到的测试数据更新预测模型生成模块生成的预测模型。
根据图5所示的装置,该装置基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型,并将该预测模型下发给移动终端,能够为移动终端根据该预测模块进行测试期间的电源管理提供依据,从而使移动终端能够在测试任务执行期间有效地进行电源管理。
并且,该装置根据移动终端上报的测试数据更新预测模型,能够进一步完善预测模型。
综上所述,在本发明实施例中,移动终端通过预设的预测模型来确定测试任务中测试指标的预测执行时长,并根据测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理,从而能够有效地根据测试任务中不同测试阶段对应的耗电状态来进行电源管理。
本领域普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种移动终端的电源管理方法,其特征在于,包括:
移动终端将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在该终端中测试指标最大概率的预测执行时长;其中,预设的预测模型是基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到的;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;
根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态;
移动终端在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
2.根据权利要求1所述的方法,其特征在于,移动终端将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在该终端中测试指标最大概率的预测执行时长,具体包括:
将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,确定得到测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值最大概率对应的类别,将该类别对应的测试时长作为测试指标最大概率的预测执行时长。
3.根据权利要求1所述的方法,其特征在于,根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,具体包括:
在执行测试任务的过程中,在测试指标的预测执行时长对应的测试阶段内,耗电状态为高压高频;
在执行测试指标后等待执行结果对应的测试阶段内,耗电状态为中压中频;
在执行两个测试指标之间的间歇时间对应的测试阶段内,耗电状态为低压低频;则,
移动终端在执行测试任务的期间,根据所确定的测试任务中各个测试指标的预测执行时长和耗电状态进行电源管理,具体包括:
在执行测试指标后等待执行结果对应的测试阶段内以及在执行两个测试指标之间的间歇时间对应的测试阶段内,控制移动终端进入待机状态。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
移动终端接收并保存来自测试服务器下发的预设的预测模型。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
移动终端在测试任务执行完后,将测试任务的测试数据发送给测试服务器,测试数据为测试服务器根据该测试数据更新预测模型提供参考;其中,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长。
6.一种移动终端的电源管理装置,其特征在于,包括:
测试时长确定模块,用于将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在所述装置所述移动终端中测试指标最大概率的预测执行时长;其中,预设的预测模型是基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到的;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;
耗电状态确定模块,用于根据所述测试时长确定模块所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态;
电源管理模块,用于根据所述耗电状态确定模块所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
7.根据权利要求6所述的装置,其特征在于,测试时长确定模块,具体用于:将将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,确定得到测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值最大概率对应的类别,将该类别对应的测试时长作为测试指标最大概率的预测执行时长。
8.根据权利要求6所述的装置,其特征在于,耗电状态确定模块,具体用于:
确定在执行测试任务的过程中,在测试指标的预测执行时长对应的测试阶段内,耗电状态为高压高频;
在执行测试指标后等待执行结果对应的测试阶段内,耗电状态为中压中频;
在执行两个测试指标之间的间歇时间对应的测试阶段内,耗电状态为低压低频;则,
电源管理模块,具体用于:在执行测试指标后等待执行结果对应的测试阶段内以及在执行两个测试指标之间的间歇时间对应的测试阶段内,控制所述装置所属移动终端进入待机状态。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括:
保存模块,用于接收并保存来自测试服务器下发的预设的预测模型;预设的预测模型是测试服务器基于高斯混合模型对历史测试数据进行训练学习得到的。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
同步更新模块,用于在测试任务执行完后,将测试任务的测试数据发送给测试服务器,测试数据为测试服务器根据该测试数据更新预测模型提供参考;其中,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长。
11.一种移动终端的电源管理方法,其特征在于,包括:
测试服务器基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;
测试服务器将预测模型发送给移动终端,该预测模型为移动终端执行以下处理提供参考:将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在移动终端中测试指标最大概率的预测执行时长,根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,以及在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
12.根据权利要求11所述的方法,其特征在于,所述方法还包括:
测试服务器接收来自移动终端的测试数据,根据该测试数据更新预测模型;其中,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长;
将更新后的预测模型发送给移动终端。
13.一种移动终端的电源管理装置,其特征在于,包括:
预测模型生成模块,用于基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;
收发模块,用于将所述预测模型生成模块得到的预测模型发送给移动终端,该预测模型为移动终端执行以下处理提供参考:将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在移动终端中测试指标最大概率的预测执行时长,根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态,以及在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
14.根据权利要求13所述的装置,其特征在于,收发模块,还用于:接收来自移动终端的测试数据,测试数据包括测试指标的标识、移动终端的性能参数、移动通信网络的性能参数、测试时刻值和测试指标实际测试时长;并将预测模型生成模块更新后的预测模型发送给移动终端;
预测模型生成模块,还用于:根据收发模块接收到的测试数据更新预测模型生成模块生成的预测模型。
15.一种移动终端的电源管理***,其特征在于,包括:
测试服务器,用于基于高斯混合模型和最大似然算法对历史测试数据进行训练学习得到预测模型;将历史测试数据中的测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和测试时刻值作为高斯混合模型的多维变量X,根据高斯混合模型确定得到多维变量X最大概率对应的类别;并通过最大似然算法确定各种多维变量X的类别对应的最大概率的历史测试数据中的测试指标的实际测试时长;将预测模型发送给移动终端;
移动终端,用于接收并保存来自测试服务器下发的预设的预测模型;移动终端将测试任务中测试指标的标识、移动终端的性能参数、移动通信网络的性能参数和当前时刻值输入到预设的预测模型中,运行预测模型得到在该终端中测试指标最大概率的预测执行时长;根据所确定的测试任务中各个测试指标的预测执行时长,确定测试任务中测试阶段对应的耗电状态;移动终端在执行测试任务的期间,根据所确定的测试任务中测试阶段对应的耗电状态进行电源管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310404043.1A CN104423532B (zh) | 2013-09-06 | 2013-09-06 | 移动终端的电源管理方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310404043.1A CN104423532B (zh) | 2013-09-06 | 2013-09-06 | 移动终端的电源管理方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104423532A CN104423532A (zh) | 2015-03-18 |
CN104423532B true CN104423532B (zh) | 2017-02-01 |
Family
ID=52972824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310404043.1A Active CN104423532B (zh) | 2013-09-06 | 2013-09-06 | 移动终端的电源管理方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104423532B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728772B (zh) * | 2017-09-30 | 2020-05-12 | Oppo广东移动通信有限公司 | 应用程序的处理方法、装置、存储介质及电子设备 |
CN107567083B (zh) * | 2017-10-16 | 2021-07-30 | 北京小米移动软件有限公司 | 进行省电优化处理的方法和装置 |
CN107943266A (zh) * | 2017-11-20 | 2018-04-20 | 北京小米移动软件有限公司 | 功耗控制方法、装置和设备 |
CN109101390B (zh) * | 2018-06-29 | 2021-08-24 | 平安科技(深圳)有限公司 | 基于高斯分布的定时任务异常监控方法、电子装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101111033A (zh) * | 2007-08-31 | 2008-01-23 | 华为技术有限公司 | 串话检测方法、网络侧设备及终端 |
CN201947449U (zh) * | 2011-04-07 | 2011-08-24 | ***通信集团公司 | 一种移动终端 |
CN102262234A (zh) * | 2010-05-27 | 2011-11-30 | 精工爱普生株式会社 | 位置计算方法及位置计算装置 |
CN102572914A (zh) * | 2010-12-10 | 2012-07-11 | 中兴通讯股份有限公司 | 终端省电的方法、装置和*** |
-
2013
- 2013-09-06 CN CN201310404043.1A patent/CN104423532B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101111033A (zh) * | 2007-08-31 | 2008-01-23 | 华为技术有限公司 | 串话检测方法、网络侧设备及终端 |
CN102262234A (zh) * | 2010-05-27 | 2011-11-30 | 精工爱普生株式会社 | 位置计算方法及位置计算装置 |
CN102572914A (zh) * | 2010-12-10 | 2012-07-11 | 中兴通讯股份有限公司 | 终端省电的方法、装置和*** |
CN201947449U (zh) * | 2011-04-07 | 2011-08-24 | ***通信集团公司 | 一种移动终端 |
Also Published As
Publication number | Publication date |
---|---|
CN104423532A (zh) | 2015-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104423532B (zh) | 移动终端的电源管理方法、装置及*** | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及*** | |
AU2021240155A9 (en) | Control Pulse Generation Method, Apparatus, System, Device And Storage Medium | |
CN107784397B (zh) | 一种电网物资需求预测***及其预测方法 | |
CN103150454B (zh) | 基于样本推荐标注的动态机器学习建模方法 | |
CN103514369A (zh) | 一种基于主动学习的回归分析***及方法 | |
CN104978630A (zh) | 一种智能测试方法和装置 | |
CN104574220A (zh) | 基于最小二乘支持向量机的电力客户信用评估方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN103702401B (zh) | 基于用户行为分析的移动网络节能方法 | |
CN110263979A (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
CN104751374A (zh) | 一种计量自动化***无线通信故障预测方法 | |
CN104317894A (zh) | 样本标注的确定方法和装置 | |
WO2023221426A1 (zh) | 直流输电工程损耗评估方法、装置、设备和存储介质 | |
CN103246985A (zh) | 一种广告点击率预测方法及装置 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN108595815A (zh) | 人工智能体训练***及无源电路优化设计***及方法 | |
Aswadi et al. | Renewable and non-renewable energy consumption in Indonesia: does it matter for economic growth? | |
CN117109730B (zh) | 基于人工智能的变压器故障诊断***及方法 | |
CN105373865A (zh) | 一种基于产业结构的用电需求预测方法 | |
CN109961160A (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及*** | |
CN106648895A (zh) | 一种处理数据的方法、装置及终端 | |
Calabrese et al. | Components monitoring and intelligent diagnosis tools for Prognostic Health Management approach | |
CN110135592A (zh) | 分类效果确定方法、装置、智能终端及存储介质 | |
Deng et al. | Daily Water Demand Prediction Driven by Multi-source Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |