CN114518797B - 信息推送方法、装置、可穿戴设备及存储介质 - Google Patents
信息推送方法、装置、可穿戴设备及存储介质 Download PDFInfo
- Publication number
- CN114518797B CN114518797B CN202011311711.2A CN202011311711A CN114518797B CN 114518797 B CN114518797 B CN 114518797B CN 202011311711 A CN202011311711 A CN 202011311711A CN 114518797 B CN114518797 B CN 114518797B
- Authority
- CN
- China
- Prior art keywords
- event
- preset
- activity
- prediction model
- wearable device
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000000694 effects Effects 0.000 claims abstract description 207
- 238000012549 training Methods 0.000 claims abstract description 67
- 230000015654 memory Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
- G06F1/3212—Monitoring battery levels, e.g. power saving mode being initiated when battery voltage goes below a certain level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了一种信息推送方法、装置、可穿戴设备及存储介质,该信息推送方法应用于可穿戴设备,该信息推送方法包括:通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,所述事件预测模型根据所述可穿戴设备记录的所述目标用户的预设历史活动事件训练获得;获取所述可穿戴设备的当前剩余电量;在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息,所述充电提示信息用于提示用户对所述可穿戴设备进行充电。本方法可以精准地提醒用户对可穿戴设备进行充电,避免可穿戴设备电量不足的情况。
Description
技术领域
本申请涉及可穿戴设备技术领域,更具体地,涉及一种信息推送方法、装置、可穿戴设备及存储介质。
背景技术
随着科技水平和生活水平的快速进步,可穿戴设备(例如智能手表、智能手环等)的使用越来越广泛,已经成为人们日常生活中的必备之一。目前的可穿戴设备具有较多的功能,耗电量也较大,因此,如何保证可穿戴设备被用户使用时的电量充足成了亟待解决的问题。
发明内容
鉴于上述问题,本申请提出了一种信息推送方法、装置、可穿戴设备及存储介质。
第一方面,本申请实施例提供了一种信息推送方法,应用于可穿戴设备,所述方法包括:通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,所述事件预测模型根据所述可穿戴设备记录的所述目标用户的预设历史活动事件训练获得;获取所述可穿戴设备的当前剩余电量;在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息,所述充电提示信息用于提示用户对所述可穿戴设备进行充电。
第二方面,本申请实施例提供了一种信息推送装置,应用于可穿戴设备,所述装置包括:事件预测模块、电量获取模块以及充电提示模块,其中,所述事件预测模块用于通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,所述事件预测模型根据所述可穿戴设备记录的所述目标用户的预设历史活动事件训练获得;所述电量获取模块用于获取所述可穿戴设备的当前剩余电量;所述充电提示模块用于在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息,所述充电提示信息用于提示用户对所述可穿戴设备进行充电。
第三方面,本申请实施例提供了一种可穿戴设备,包括:一个或多个处理器;存储器;一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行上述第一方面提供的信息推送方法。
第四方面,本申请实施例提供了一种计算机可读取存储介质,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行上述第一方面提供的信息推送方法。
本申请提供的方案,通过预先训练的事件预测模型预测目标用过在当前时刻之后的预设时间段内的活动事件,该事件预测模型根据可穿戴设备记录的目标用户的预设历史活动事件训练得到,获取可穿戴设备的当前剩余电量,在当前剩余电量不满足该活动事件对应的电量条件时,推送充电提示信息,以提示用户对可穿戴设备进行充电,从而可以实现通过预先训练的事件预测模型预测用户在当前时刻后的预设时间段内的活动事件,并基于当前的剩余电量来确定是否进行充电提示,避免用户进行预测的活动事件时无法正常使用可穿戴设备。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本申请一个实施例的信息推送方法流程图。
图2示出了本申请实施例提供的一种界面示意图。
图3示出了根据本申请另一个实施例的信息推送方法流程图。
图4示出了根据本申请又一个实施例的信息推送方法流程图。
图5示出了根据本申请再一个实施例的信息推送方法流程图。
图6示出了根据本申请一个实施例的信息推送装置的一种框图。
图7是本申请实施例的用于执行根据本申请实施例的信息推送方法的可穿戴设备的框图。
图8是本申请实施例的用于保存或者携带实现根据本申请实施例的信息推送方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
目前,可穿戴设备(例如智能手表、智能手环等)已经在市面上流行,智能手表、智能手环等,是通过内置智能化***、搭载智能手机***且连接网络的来实现多功能的电子设备,具有接打电话,收发短信和拍照等功能。除此之外,可穿戴设备还可以实现对用户的状态的各项监测,例如监测运动数据、睡眠情况等,并且由于可穿戴设备方便携带,因此受到消费者的广泛喜爱。
发明人经过长期的研究发现,由于可穿戴设备的功能较多,在实现各项监测时通常需要消耗较多的电量,可穿戴设备需要保证充足的电量,才能实现用户在佩戴可穿戴设备进行相应的事件时,对各项数据进行监测。但是,可穿戴设备通常是在电量为较低的电量时,才提示用户充电,可视在用户真正进行相应的事件时,可能电量已经无法满足该事件进行时可穿戴设备所需消耗的电量。
针对上述问题,发明人提出了本申请实施例提供的信息推送方法、装置、可穿戴设备以及存储介质,可以实现通过预先训练的事件预测模型预测用户在当前时刻后的预设时间段内的活动事件,并基于当前的剩余电量来确定是否进行充电提示,避免用户进行预测的活动事件时无法正常使用可穿戴设备。其中,具体的信息推送方法在后续的实施例中进行详细的说明。
请参阅图1,图1示出了本申请一个实施例提供的信息推送方法的流程示意图。在具体的实施例中,所述信息推送方法应用于如图6所示的信息推送装置400以及配置有所述信息推送装置400的可穿戴设备100(图7)。下面将以可穿戴设备为例,说明本实施例的具体流程,当然,可以理解的,本实施例所应用的可穿戴设备可以为智能手表、智能手环等,在此不做限定。下面将针对图1所示的流程进行详细的阐述,所述信息推送方法具体可以包括以下步骤:
步骤S110:通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,所述事件预测模型根据所述可穿戴设备记录的所述目标用户的预设历史活动事件训练获得。
在本申请实施例中,可穿戴设备可以对当前时刻之后的预设时间段内的活动事件进行预测,以结合可穿戴设备的当前剩余电量,确定可穿戴设备是否需要进行充电。其中,预设时间段为预先设置的设定时长大小的时间段,具体地,预设时间段可以为以当前时刻为起始时间的设定时长大小的时间段;预设时间段也可以为当前时刻间隔指定时长后开始计算的设定时长大小的时间段。预设时间段的具体时长大小可以不做限定,例如,可以为2小时,也可以为1小时等。活动事件可以为与用户的作息习惯对应的事件,例如,活动事件包括跑步、走路、骑行等运动事件,也可以包括睡眠、休息、办公等事件,还可以包括备忘录所记录的事件等。预设历史活动事件即为目标用户历史产生的这些活动事件,也就是说,预设历史活动事件包括:历史运动事件、历史办公事件、历史休息事件以及备忘录记录的活动事件中的至少一种。另外,用于训练事件预测模型的预设历史活动事件可以可穿戴设备在当前时刻之前的指定时长内产生的历史活动事件,也可以为历史产生的所有活动事件。
在本申请实施例中,可穿戴设备可以通过预先训练的事件预测模型,对当前时刻之后的预设时间段内的活动事件进行预测。其中,该事件预测模型被预先训练,从而事件预测模型可以根据需要预测的预设时间段,而输出预设时间段内的活动事件,该事件预测模型输出的活动事件即为预测的目标用户在当前时刻之后的预设时间段内的活动事件。可以理解地,目标用户可以指可穿戴设备对应的使用用户,可穿戴设备通常可以实时的监测目标用户所进行的活动事件,例如跑步、骑行、睡眠等,并且目标用户在日常佩戴可穿戴设备进行这些事件时通常有一定的规律性,因此通过以上训练的事件预测模型可以预测目标用户在未来的预设时间段内可能进行的活动事件。
在一些实施方式中,事件预测模型可以存储于可穿戴设备的本地,可穿戴设备可以直接从本地读取事件预测模型;事件预测模型也可以存储于服务器,可穿戴设备在需要对当前时刻之后的预设时间段内的活动事件进行预测时,可以发送请求至服务器,以对事件预测模型进行调用。
在本申请实施例中,事件预测模型可以由大量训练样本训练获得。训练样本可以包括可穿戴设备记录的目标用户的预设历史活动事件。可以理解的,上述预设时间段可以作为可穿戴设备实际需要预测活动事件时获得的用于输入事件预测模型的输入数据,而训练样本中的预设历史活动事件对应的时刻所属的时间段可以为训练时的训练数据。
在一些实施方式中,事件预测模型可以由上述训练样本,采用机器学习算法训练获得。其中,机器学习算法可以为神经网络、长短期记忆(Long Short-Term Memory,LSTM)网络、门限循环单元、简单循环单元、自动编码器、决策树(Decision Tree,DT)、随机森林、特征均值分类、分类回归树、隐马尔科夫、K最近邻(k-NearestNeighbor,KNN)算法、逻辑回归模型、朴素贝叶斯(Naive Bayes,NB)、支持向量机(Support Vector Machine,SVM)、高斯模型以及KL散度(Kullback–Leibler divergence)等。当然,具体的机器学习算法可以不作为限定。
步骤S120:获取所述可穿戴设备的当前剩余电量。
在本申请实施例中,可穿戴设备在预测得到目标用在当前时刻之后的预设时间段内的活动事件后,即预测到未来的预设时间段内的活动事件之后,可以获取可穿戴设备的当前剩余电量,以确定是否需要提示用户提前对可穿戴设备进行充电。示例性的,可穿戴设备安装有安卓操作***时,可以通过使用BroadcastReceiver的特性来获取手机电池的电量,注册BroadcastReceiver时设置的IntentFilter来获取***发出的Intent.ACTION_BATTERY_CHANGED,然后以此来获取电池的电量,当然,以上获取剩余电量的方式仅为举例,获取可穿戴设备的当前剩余电量的方式可以根据实际的可穿戴设备而定。
步骤S130:在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息,所述充电提示信息用于提示用户对所述可穿戴设备进行充电。
在本申请实施例中,可穿戴设备在预测到当前时刻之后的预设时间段内的活动事件,以及获取到当前剩余电量之后,则可以基于预测的活动事件以及当前剩余电量,确定是否需要提示用户进行充电。
在本申请实施例中,可穿戴设备可以获取获得事件对应的电量条件,该电量条件可以为在预设时间段内用户佩戴可穿戴设备进行预测的活动事件时需要的电量。可以理解地,如果当前剩余电量满足该活动事件所对应的电量条件,则表示可穿戴设备的电量能够满足进行预测的活动事件时的供电,即可穿戴设备能够在用户进行活动事件时正常运行;如果当前剩余电量不满足该活动事件所对应的电量条件,则表示可穿戴设备的电量不能满足进行预测的活动事件时的供电。
进一步地,在可穿戴设备确定出当前剩余电量不满足该活动事件对应的电量条件时,则可以推送充电提示信息,以提示用户对可穿戴设备进行充电,由于可穿戴设备在进行活动事件之前提前进行了充电提示,而不是在电量较低时才进行充电提示,从而目标用户可以预先对可穿戴设备进行充电,保证了用户对可穿戴设备的使用。
在一些实施方式中,可穿戴设备在预测的活动事件为多个事件时,则可以确定可穿戴设备的当前剩余电量是否满足所有活动事件的电量条件,也就是确定当前剩余电量是否能够满足所有活动事件时的供电,如果不满足,则推送充电提示信息;如果满足,则可以执行充电提示信息的推送。
在一些实施方式中,请参阅图2,可穿戴设备100可以在推送充电提示信息时,对充电提示信息进行显示,充电提示信息中可以包括提示用户进行充电的文字内容及在预设时间段内可能进行的活动事件(即上述预测的活动事件),从而使得用户可以参考提示的可能进行的活动事件,而确定是否对可穿戴设备进行充电。当然,可穿戴设备推送的充电提示信息中的内容并不局限于此,例如,还可以将当前剩余电量以及进行活动事件时可穿戴设备所需的电量进行输出,以便用户能够在确定是否对可穿戴设备进行充电时,能够有更多的参考,提升用户体验。
在一些实施方式中,可穿戴设备也可以将充电提示信息推送至目标用户的手机,使用户可以在使用手机时查看到该充电提示信息,而及时对可穿戴设备进行充电。可以理解地,可能用户在一些时候未佩戴可穿戴设备,但是用户手机一直在身边,因此可以通过推送至用户的手机,而起到提示用户对可穿戴设备进行充电的效果。
在一些实施方式中,可穿戴设备可以每间隔目标时长,执行一次通过以上事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,也就是执行一次本申请实施例提供的信息推送方法的流程,以保证可穿戴设备在合适的时机提示用户对可穿戴设备进行充电。作为一种方式,目标时长可以小于预设时间段的时长大小,以保证可穿戴设备能够及时的提醒用户进行充电,例如,预设时间段的时长大小为2小时,则目标时长可以为1小时,在该实施方式中,可穿戴设备进行的下一次活动事件的预测所对应的预设时间段可能会有重叠,在有重叠的情况下,如果事件预测模型预测出相同的活动事件,则可穿戴设备可以将该活动事件视作与上一次预测的活动事件为同一活动事件,以避免重复提醒用户进行充电。作为另一种方式,目标时长也可以根据用户的设置操作确定,这样的话,用户可以按照对预测活动事件进行充电提示的需求,而选择目标时长的大小。当然,可穿戴设备执行通过预先训练的事件预测模型预测目标用户在当前时刻之后的预设时间段内的活动事件的时长间隔的具体大小可以根据实际需求而设置。
在另一些实施方式中,可穿戴设备也可以在以上预设时间段的结束时刻之前的目标时刻,再次执行通过以上事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,也就是再次执行本申请实施例提供的信息推送方法的流程。其中,目标时刻与结束时刻之间的差值能够满足可穿戴设备充电后的电量达到预设电量,且预设电量大于设定值,例如80%电量,75%电量等,如此,可以使得在预设时间段结束之前,对未来的活动事件进行预测,并且能够预留充电时间,以供可穿戴设备能够满足下一预设时间段的活动事件的耗电需求。当然,可穿戴设备具体执行预测未来可能发生的活动事件,并基于当前剩余电量确定是否进行充电提示的执行时机可以不做限定。
在一些实施方式中,可穿戴设备在确定出当前剩余电量不满足预测的活动事件对应的电量条件时,还可以确定可穿戴设备当前是否处于充电状态;若可穿戴设备不处于充电状态,则可穿戴设备可以输出以上充电提示信息;若可穿戴设备处于充电状态,则可穿戴设备可以不推送充电提示信息,也可以推送电量提示信息,以提示用户需要将可穿戴设备充电至预设电量,该预设电量可以基于进行以上活动事件所需的电量确定。
在本申请实施例中,可穿戴设备除了以上通过预测未来的预设时间段内的活动事件,并参考可穿戴设备的当前剩余电量确定是否进行充电提示以外,可穿戴设备也可以在任意时刻时,电量低于预设阈值(例如20%、10%等)的情况下,推送充电提示信息,以提示用户对可穿戴设备进行充电。
本申请实施例提供的信息推送方法,通过预先训练的事件预测模型预测用户在当前时刻后的预设时间段内的活动事件,并基于当前的剩余电量来确定是否进行充电提示,由于可穿戴设备在进行活动事件之前提前进行了充电提示,而不是在电量较低时才进行充电提示,从而目标用户可以预先对可穿戴设备进行充电,保证了用户对可穿戴设备的使用。
请参阅图3,图3示出了本申请另一个实施例提供的信息推送方法的流程示意图。该信息推送方法应用于上述可穿戴设备,下面将针对图3所示的流程进行详细的阐述,所述信息推送方法具体可以包括以下步骤:
步骤S210:通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,所述事件预测模型根据所述可穿戴设备记录的所述目标用户的预设历史活动事件训练获得。
在本申请实施例中,步骤S210可以参阅前述实施例的内容,在此不再赘述。
步骤S220:判断所述活动事件是否为预设事件。
在本申请实施例中,可穿戴设备在预测到目标用户在当前时刻之后的预设时间段内的活动事件之后,还可以确定该活动事件是否为预设事件,以确定是否需要参考可穿戴设备的当前剩余电量,确定是否需要充电提示。其中,预设事件可以为预先设置的需要提前进行充电提示的事件,例如,可以为跑步、骑行、走路等用户佩戴可穿戴设备时耗电较多的事件。
在一些实施方式中,可能存在可穿戴设备预测出在预设时间段内存在多个活动事件的情况,例如目标用户可能在预设时间段内通常会进行跑步和骑行,则可穿戴设备可以预测出这两个活动事件;该情况下,可穿戴设备可以确定各个活动事件是否为预设事件,当至少有一个活动事件为预设事件时,则可以确定为活动事件为预设事件;当任意一个预测的活动事件均不是预设事件时,则可穿戴设备可以确定预测的活动事件不为预设事件。
步骤S230:若所述活动事件为所述预设事件,获取所述可穿戴设备的当前剩余电量。
在本申请实施例中,若可穿戴设备通过事件预测模型预测的预设时间段内的活动事件为预设事件时,则可以执行获取可穿戴设备的当前剩余电量,以及在当前剩余电量不满足相应的电量条件时,推送充电提示信息。
步骤S240:在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息,所述充电提示信息用于提示用户对所述可穿戴设备进行充电。
在本申请实施例中,可穿戴设备确定出预测的活动事件为预设事件,并获取到当前剩余电量之后,可以确定当前剩余电量是否满足预设事件对应的电量条件,在当前剩余电量不满足预设事件对应的电量条件时,推送充电提示信息;在当前剩余电量满足预设事件对应的电量条件时,不进行充电提示信息的推送。
在一些实施方式中,当以上预测的活动事件为多个时,则可以针对多个活动事件中的预设事件,确定当前剩余电量是否满足多个活动事件中的预设事件对应的电量条件,若当前剩余电量不满足多个活动事件中的预设事件对应的电量条件,则推送充电提示信息;若当前剩余电量满足多个活动事件中的预设事件对应的电量条件,不进行充电提示信息的推送。
在本申请实施例中,当预测的活动事件不是预设事件时,则不执行后续的步骤,以避免一些不必要的活动事件进行充电提示的情况,使得可穿戴设备无需进行过多的处理流程,降低可穿戴设备的功耗。
本申请实施例提供的信息推送方法,可穿戴设备在预测目标用户在当前时刻之后的预设时间段内的活动事件之后,对预测的活动事件确定是否为预设事件后,再参考当前剩余电量确定是否提示对可穿戴设备进行充电,有效避免了一些不必要的活动事件进行充电提示的情况,例如办公时的活动事件等,也使得可穿戴设备无需进行过多的处理流程,降低可穿戴设备的功耗。
请参阅图4,图4示出了本申请又一个实施例提供的信息推送方法的流程示意图。该信息推送方法应用于上述可穿戴设备,下面将针对图4所示的流程进行详细的阐述,所述信息推送方法具体可以包括以下步骤:
步骤S310:获取所述可穿戴设备记录的目标用户的预设历史活动事件及其对应的历史时刻。
在本申请实施例中,针对前述实施例中的事件预测模型,本申请实施例中还包括对该事件预测模型的训练方法,值得说明的是,对事件预测模型的训练可以是根据获取的训练数据集预先进行的,后续在每次进行活动事件的预测时,则可以根据该事件预测模型进行预测,而无需每次预测活动事件时对事件预测模型进行训练。
在一些实施方式中,可以预先进行可穿戴设备监测的活动事件的埋点,当可穿戴设备监测到这些活动事件时,可以将其发生的时间以及事件信息进行记录。可穿戴设备可以对多次埋点的活动事件以及发生的时间进行记录,这些多次记录的历史活动事件可以作为以上的预设历史活动事件,并根据多次记录的目标用户的历史活动事件,以及每次的历史活动事件对应的历史时刻形成训练样本。
在一些实施方式中,用作训练样本的预设历史活动事件,可以包括可穿戴设备在当前时刻之前的指定时长内产生的历史活动事件,例如可以为当前时刻之前一周内产生的历史活动事件,对于用户习惯频繁变化的用户而言,后续训练得到的事件预测模型,可以学习到用户的最新的行为习惯,进而提升其准确性。
在另一些实施方式中,用作训练样本的预设历史活动事件,可以包括可穿戴设备在当前时刻之前产生的所有历史活动事件,对于用户习惯较为稳定的用户而言,由于是将产生的所有历史活动事件作为训练样本,因此样本的数据量比较多,后续训练得到的事件预测模型,可准确地学习到用户的行为习惯,进而提升其准确性。
步骤S320:根据所述预设历史活动事件对应的历史时刻所属的时间段,以及所述预设历史活动事件,对初始模型进行训练,获得所述事件预测模型。
在本申请实施例中,可穿戴设备在获取到记录的目标用户的预设历史活动事件及其对应的历史时刻之后,可以构建样本训练集。生成的样本训练集中,每个历史时刻所属的时间段与预设历史活动事件一一对应。以上训练数据集中,其中,x可以定义为每个历史时刻所属的时间段,x可以作为一个标签,y可以定义为预设历史活动事件,可以作为标签结果。也就是说,每个历史时刻所属的时间段被标注为一个对应的预设历史活动事件,每组样本数据中包括一个输入样本x和一个输出样本y。其中,每个历史时刻所属的时间段,可以是可穿戴设备预先对一天的时间划分为多个时间段,每个时间段与可穿戴设备预测活动事件时的预设时间段对应,也就是说,可穿戴设备每次预测活动事件所对应的预设时间段,都与划分的多个时间段中一个时间段对应。这样的话,后续训练的模型,可以准去对各个预设时间段的活动事件进行预测。
在本申请实施例中,可以利用生成的训练数据集合,可对初始模型进行训练,从而获得事件预测模型。其中,事件预测模型可以包括神经网络、长短期记忆(Long Short-TermMemory,LSTM)网络、门限循环单元、简单循环单元、自动编码器、决策树、随机森林、分类回归树、支持向量机、逻辑斯蒂回归模型等,在此不做限定。
下面以神经网络为例,对根据训练数据集合训练初始模型进行说明。
训练数据集中一组数据中的历史时刻所属的时间段对应的数据x作为神经网络的输入样本,一组数据中标注的预设历史活动事件y作为神经网络的输出样本。输入层中的神经元与隐藏层的神经元全连接,隐藏层的神经元与输出层的神经元全连接,从而能够有效提取不同粒度的潜在特征。并且隐藏层数目可以为多个,从而能更好地拟合非线性关系,使得训练得到的事件预测模型更加准确。
可以理解的,对事件预测模型的训练过程可以由可穿戴设备完成,也可以不由可穿戴设备完成。当训练过程不由可穿戴设备完成时,则可穿戴设备可以只是作为直接使用者,也可以是间接使用者,即可穿戴设备可以将当前时刻之后的预设时间段发送至存储有事件预测模型的服务器,从服务器获取预测的预设时间段内的活动事件。
另外,当事件预测模型的训练过程由服务器完成时,可穿戴设备可以将历史记录的预设历史活动事件及其对应的时刻上报至服务器,然后由服务器进行数据的处理、生成训练数据集合以及模型训练的过程。
在一些实施方式中,训练得到的事件预测模型可以存储于可穿戴设备本地,该训练得到的事件预测模型也可以在与可穿戴设备通信连接的服务器,将事件预测模型存储在服务器的方式,可以减少占用可穿戴设备的存储空间,提升可穿戴设备的运行效率。
在一些实施方式中,还可以按照预设更新频率新的训练数据,对该事件预测模型进行训练;或者不定期的获取新的训练数据,对该事件预测模型进行训练,实现对该事件预测模型的更新。其中,预设更新频率可以为一周、两周等,其具体数值可以不做限定;新的训练数据可以为可穿戴设备新产生的且未用于训练事件预测模型的训练数据,该训练数据包括目标用户的预设历史活动事件及其对应的历史时刻。通过对事件预测模型不断进行训练,可以更为准确地学习到用户的习惯,在用户的行为习惯发生变化时,事件预测模型也能够及时的学习到新的行为习惯和规律,使得事件预测模型的准确性提升。
步骤S330:将当前时刻之后的预设时间段作为输入数据,输入至所述事件预测模型,获得所述事件预测模型输出的活动事件,作为所述目标用户在当前时刻之后的预设时间段内的活动事件。
在本申请实施例中,可穿戴设备实际在通过事件预测模型对当前时刻之后的预设时间段内的活动事件进行预测时,则可以将当前时刻之后的预设时间段作为输入数据,将其输入至以上训练的事件预测模型,从而获得事件预测模型输出的活动事件,将事件预测模型输出的活动事件作为预测的活动事件。
步骤S340:获取所述可穿戴设备的当前剩余电量。
在本申请实施例中,步骤S340可以参阅前述实施例的内容,在此不再赘述。
步骤S350:获取所述当前时刻至所述预设时间段的耗电量,作为第一耗电量。
在本申请实施例中,可穿戴设备在确定当前剩余电量是否满足活动事件对应的电量条件时,可以确定相应的电量阈值,然后将当前剩余电量与电量阈值进行比较,以此来确定当前剩余电量是否满足电量条件。可穿戴设备在确定电量阈值时,可以获取当前时刻至预设时间段的耗电量,即获取当前时刻至预设时间段的起始时刻的耗电量,并将该耗电量作为第一耗电量。作为一种方式,可穿戴设备可以统计当前时刻之前的一段时长内的耗电量,并计算耗电速度,然后基于该耗电速度,确定当前时刻至预设时间段的耗电量,即将耗电速度与当前时刻至预设时间段的时长相乘,获得该耗电量;作为另一种方式,可穿戴设备可以基于历史统计的当前时刻至预设时间段的耗电速度,以及当前时刻至预设时间段的时长,确定该耗电量。当然,可穿戴设备具体获取第一耗电量的方式可以不做限定。
步骤S360:获取所述活动事件对应的耗电量,作为第二耗电量。
在本申请实施例中,可穿戴设备还可以获取活动事件对应的耗电量,作为第二耗电量。该活动事件对应的耗电量可以指进行该活动事件时,可穿戴设备预计会消耗的电量。
在一些实施方式中,可穿戴设备可以预先记录有各个活动事件对应的耗电量,可穿戴设备在需要确定是否进行充电提示时,可以获取预测的活动事件对应的耗电量。其中,各个活动事件对应的耗电量,可以是可穿戴设备基于历史记录的各个活动事件每次的耗电量进行统计获得,例如,可以统计各个活动事件每次的耗电量的平均值,得到各个活动事件对应的耗电量。
步骤S370:基于所述第一耗电量以及所述第二耗电量,确定所述电量阈值。
在本申请实施例中,在获取到以上第一耗电量以及第二耗电量之后,可以根据第一耗电量以及第二耗电量确定电量阈值。作为一种方式,可以获取第一耗电量与第二耗电量的和值作为电量阈值;作为另一种方式,也可以获取第一耗电量与第二耗电量的和值之后,再将该和值与设定的容错阈值相加,获得电量阈值。
步骤S380:在所述当前剩余电量小于电量阈值时,推送充电提示信息。
在本申请实施例中,可穿戴设备在确定出电量阈值之后,则可以将当前剩余电量与电量阈值进行比较,若当前剩余电量小于电量阈值,则表示当前剩余电量不满足预测的活动事件对应的电量条件,因此可穿戴设备可以推送充电提示信息;若当前剩余电量不小于该电量阈值,则表示当前剩余电量满足预测的活动事件对应的电量条件,此时,可穿戴设备不执行充电提示信息的推送。
在本申请实施例中,请再次参阅图2,充电提示信息还可以用于提醒用户在预设时间段内将进行活动事件,并且还可以显示用于对该充电提示信息进行反馈的控件,例如“确定”、“忽略”等控件。可穿戴设备还可以检测对充电提示信息的反馈结果,根据反馈结果,对事件预测模型进行校正训练,当反馈结果表征用户确认将执行以上活动事件时,则表示本次的预测准确;当反馈结果表征用户确认不执行以上活动事件时,则可以将本次数据作为负样本,对事件预测模型进行训练,达到对事件预测模型进行校正的效果,使事件预测模型的准确性进一步提升。
在本申请实施例中,以上事件预测模型的训练需要基于大量的样本数据进行,而当可穿戴设备为获取到预设数量的样本数据时,则可穿戴设备可以基于当前剩余电量是否低于预设电量(例如10%、20%等),可穿戴设备的佩戴状态等来确定是否进行充电提示,例如,在当前剩余电量低于预设电量时,或者可穿戴设备由佩戴状态进入非佩戴状态时,进行充电提示。待可穿戴设备记录足够多的样本数据时,再训练获得以上事件预测模型,以用于活动事件的预测后进行充电提示。
本申请实施例提供的信息推送方法,提供了训练事件预测模型的方法,通过被标注有预设历史活动事件的时间段的训练数据,对初始模型进行训练,从而得到事件预测模型。事件预测模型可以用于根据输入的时间段,输出预测的活动事件。可以实现通过预先训练的事件预测模型预测用户在当前时刻后的预设时间段内的活动事件,并基于当前的剩余电量来确定是否进行充电提示,避免用户进行预测的活动事件时无法正常使用可穿戴设备。
请参阅图5,图5示出了本申请再一个实施例提供的信息推送方法的流程示意图。该信息推送方法应用于上述可穿戴设备,下面将针对图5所示的流程进行详细的阐述,所述信息推送方法具体可以包括以下步骤:
步骤S410:获取当前日期。
在本申请实施例中,在本申请实施例中,还可以针对工作日和非工作日的训练数据,分别训练不同的事件预测模型,在需要预测活动事件时,可以获取当前日期,而选取工作日对应的第一事件预测模型或者非工作日对应的第二事件预测模型,来进行活动事件的预测,从而提升预测的活动事件的准确率。
步骤S420:若当前日期为工作日,通过工作日对应的第一事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件。
步骤S430:若当前日期为非工作日,通过非工作日对应的第二事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件。
在本申请实施例中,分别针对工作日和非工作日训练有第一事件预测模型以及第二事件预测模型,可穿戴设备在预测当前时刻之后的预设时间段内的活动事件时,若当前日期为工作日,则可以通过第一事件预测模型,对未来的预设时间段内的活动事件进行预测;若当前日期为非工作日,则以通过第二事件预测模型,对未来的预设时间段内的活动事件进行预测。
步骤S440:获取所述可穿戴设备的当前剩余电量。
步骤S450:在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息,所述充电提示信息用于提示用户对所述可穿戴设备进行充电。
在本申请实施例中,步骤S440以及步骤S450可以参阅前述实施例的内容,在此不再赘述。
在一些实施方式中,可穿戴设备除了以上通过预测未来的预设时间段内的活动事件,并参考可穿戴设备的当前剩余电量确定是否进行充电提示以外,可穿戴设备也可以在任意时刻时,电量低于预设阈值(例如20%、10%等)的情况下,推送充电提示信息,以提示用户对可穿戴设备进行充电;也还可以在识别到可穿戴设备由佩戴状态进入非佩戴状态时,输出充电提示信息;还可以获取目标用户于当前日期之后的目标日期的行程信息,在行程信息表征所述目标用户在目标日期存在出行计划时,输出充电提示信息。
在以上方式中,在行程信息表征所述目标用户在目标日期存在出行计划时,可以确定出行计划的起始时间,然后在起始时间前的设定时长之前推送充电提示信息,例如,用户在第二天的上午十点出行,则可以在第二天的上午八点进行充电提示信息的推送,以便用户有足够的时间对可穿戴设备进行充电。
本申请实施例提供的信息推送方法,分别针对工作日和非工作日的训练数据,分别训练不同的事件预测模型,在需要预测活动事件时,可以获取当前日期,而选取工作日对应的第一事件预测模型或者非工作日对应的第二事件预测模型,来进行活动事件的预测,从而提升预测的活动事件的准确率,进而提升充电提示的时机的准确性,提升用户体验。
请参阅图6,其示出了本申请实施例提供的一种信息推送装置400的结构框图。该信息推送装置400应用上述的可穿戴设备,该信息推送装置400包括:事件预测模块410、电量获取模块420以及充电提示模块430。其中,所述事件预测模块410用于通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,所述事件预测模型根据所述可穿戴设备记录的所述目标用户的预设历史活动事件训练获得;所述电量获取模块420用于获取所述可穿戴设备的当前剩余电量;所述充电提示模块430用于在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息,所述充电提示信息用于提示用户对所述可穿戴设备进行充电。
在一些实施方式中,该信息推送装置400还可以包括事件判断模块。事件判断模块用于在所述获取所述可穿戴设备的当前剩余电量之前,判断所述活动事件是否为预设事件。若所述活动事件为所述预设事件,电量获取模块420获取所述可穿戴设备的当前剩余电量。
在一些实施方式中,所述活动事件对应的电量条件可以包括所述活动事件对应的电量阈值。充电提示模块可以具体用于:在所述当前剩余电量小于所述电量阈值时,推送充电提示信息。
在该实施方式中,该信息推送装置400还可以包括:第一耗电量获取模块、第二耗电量获取模块以及电量阈值确定模块。第一耗电量获取模块用于在所述当前剩余电量不大于所述电量阈值时,推送充电提示信息之前,获取所述当前时刻至所述预设时间段的耗电量,作为第一耗电量;第二耗电量获取模块用于获取所述活动事件对应的耗电量,作为第二耗电量;电量阈值确定模块用于基于所述第一耗电量以及所述第二耗电量,确定所述电量阈值。
在一些实施方式中,所述事件预测模型包括工作日对应的第一事件预测模型以及非工作日对应的第二事件预测模型。事件预测模块410可以具体用于:若当前日期为工作日,通过所述第一事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件;若所述当前日期为非工作日,通过所述第二事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件。
在一些实施方式中,该信息推送装置400还可以包括:历史数据获取模块以及模型训练模块。历史数据获取模块用于获取所述可穿戴设备记录的目标用户的预设历史活动事件及其对应的历史时刻;模型训练模块用于根据所述预设历史活动事件对应的历史时刻所属的时间段,以及所述预设历史活动事件,对初始模型进行训练,获得所述事件预测模型。
在该方式下,事件预测模块410可以具体用于:将当前时刻之后的预设时间段作为输入数据,输入至所述事件预测模型,获得所述事件预测模型输出的活动事件,作为所述目标用户在当前时刻之后的预设时间段内的活动事件。
作为一种实施方式,所述充电提示信息还用于提醒用户在所述预设时间段内将进行所述活动事件。该信息推送装置400还可以包括:反馈检测模块以及模型校正模块。反馈检测模块用于在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息之后,检测对所述充电提示信息的反馈结果;模型校正模块用于根据所述反馈结果,对所述事件预测模型进行校正训练。
在以上实施方式中,模型训练模块还可以用于:在所述根据所述预设历史活动事件对应的历史时刻所属的时间段,以及所述预设历史活动事件,对初始模型进行训练,获得所述事件预测模型之后,按照预设更新频率获取新的训练数据,并基于所述新的训练数据,对所述事件预测模型进行训练。
在一些实施方式中,充电提示模块440还可以用于:当识别到所述可穿戴设备由佩戴状态进入非佩戴状态时,输出所述充电提示信息。
在一些实施方式中,该信息推送装置400还可以包括:行程获取模块。行程获取模块用于获取所述目标用户于当前日期之后的目标日期的行程信息;充电提示模块440还可以用于在所述行程信息表征所述目标用户在所述目标日期存在出行计划时,输出所述充电提示信息。
在一些实施方式中,所述预设历史活动事件包括:历史运动事件、历史办公事件、历史休息事件以及备忘录记录的活动事件中的至少一种。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,模块相互之间的耦合可以是电性,机械或其它形式的耦合。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。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。
综上所述,本申请提供的方案,通过预先训练的事件预测模型预测目标用过在当前时刻之后的预设时间段内的活动事件,该事件预测模型根据可穿戴设备记录的目标用户的历史活动事件训练得到,获取可穿戴设备的当前剩余电量,在当前剩余电量不满足该活动事件对应的电量条件时,推送充电提示信息,以提示用户对可穿戴设备进行充电,从而可以实现通过预先训练的事件预测模型预测用户在当前时刻后的预设时间段内的活动事件,并基于当前的剩余电量来确定是否进行充电提示,避免用户进行预测的活动事件时无法正常使用可穿戴设备。
请参考图7,其示出了本申请实施例提供的一种可穿戴设备的结构框图。该可穿戴设备100可以是智能手表、智能手环、智能眼镜等能够运行应用程序的设备。本申请中的可穿戴设备100可以包括一个或多个如下部件:处理器110、存储器120、以及一个或多个应用程序,其中一个或多个应用程序可以被存储在存储器120中并被配置为由一个或多个处理器110执行,一个或多个程序配置用于执行如前述方法实施例所描述的方法。
处理器110可以包括一个或者多个处理核。处理器110利用各种接口和线路连接整个可穿戴设备100内的各个部分,通过运行或执行存储在存储器120内的指令、程序、代码集或指令集,以及调用存储在存储器120内的数据,执行可穿戴设备100的各种功能和处理数据。可选地,处理器110可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器110中,单独通过一块通信芯片进行实现。
存储器120可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储可穿戴设备100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
请参考图8,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质800中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质800可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质800包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (13)
1.一种信息推送方法,其特征在于,应用于可穿戴设备,所述方法包括:
通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,所述事件预测模型根据所述可穿戴设备记录的所述目标用户的预设历史活动事件训练获得;
判断所述活动事件是否为预设事件,所述预设事件为预先设置的需要提前进行充电提示的事件;
若所述活动事件为所述预设事件,获取所述可穿戴设备的当前剩余电量;
在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息,所述充电提示信息用于提示用户对所述可穿戴设备进行充电。
2.根据权利要求1所述的方法,其特征在于,所述活动事件对应的电量条件包括所述活动事件对应的电量阈值;
所述在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息,包括:
在所述当前剩余电量小于所述电量阈值时,推送充电提示信息。
3.根据权利要求2所述的方法,其特征在于,在所述当前剩余电量不大于所述电量阈值时,推送充电提示信息之前,所述方法还包括:
获取所述当前时刻至所述预设时间段的耗电量,作为第一耗电量;
获取所述活动事件对应的耗电量,作为第二耗电量;
基于所述第一耗电量以及所述第二耗电量,确定所述电量阈值。
4.根据权利要求1所述的方法,其特征在于,所述事件预测模型包括工作日对应的第一事件预测模型以及非工作日对应的第二事件预测模型,所述通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,包括:
若当前日期为工作日,通过所述第一事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件;
若所述当前日期为非工作日,通过所述第二事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件。
5.根据权利要求1所述的方法,其特征在于,在所述通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件之前,所述方法还包括:
获取所述可穿戴设备记录的目标用户的预设历史活动事件及其对应的历史时刻;
根据所述预设历史活动事件对应的历史时刻所属的时间段,以及所述预设历史活动事件,对初始模型进行训练,获得所述事件预测模型;
所述通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,包括:
将当前时刻之后的预设时间段作为输入数据,输入至所述事件预测模型,获得所述事件预测模型输出的活动事件,作为所述目标用户在当前时刻之后的预设时间段内的活动事件。
6.根据权利要求5所述的方法,其特征在于,所述充电提示信息还用于提醒用户在所述预设时间段内将进行所述活动事件,在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息之后,所述方法还包括:
检测对所述充电提示信息的反馈结果;
根据所述反馈结果,对所述事件预测模型进行校正训练。
7.根据权利要求5所述的方法,其特征在于,在所述根据所述预设历史活动事件对应的历史时刻所属的时间段,以及所述预设历史活动事件,对初始模型进行训练,获得所述事件预测模型之后,所述方法还包括:
按照预设更新频率获取新的训练数据,并基于所述新的训练数据,对所述事件预测模型进行训练。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述方法还包括:
当识别到所述可穿戴设备由佩戴状态进入非佩戴状态时,输出所述充电提示信息。
9.根据权利要求1-7任一项所述的方法,其特征在于,所述方法还包括:
获取所述目标用户于当前日期之后的目标日期的行程信息;
在所述行程信息表征所述目标用户在所述目标日期存在出行计划时,输出所述充电提示信息。
10.根据权利要求1-7任一项所述的方法,其特征在于,所述预设历史活动事件包括:历史运动事件、历史办公事件、历史休息事件以及备忘录记录的活动事件中的至少一种。
11.一种信息推送装置,其特征在于,应用于可穿戴设备,所述装置包括:事件预测模块、事件判断模块、电量获取模块以及充电提示模块,其中,
所述事件预测模块用于通过预先训练的事件预测模型,预测目标用户在当前时刻之后的预设时间段内的活动事件,所述事件预测模型根据所述可穿戴设备记录的所述目标用户的预设历史活动事件训练获得;
所述事件判断模块用于判断所述活动事件是否为预设事件,所述预设事件为预先设置的需要提前进行充电提示的事件;
所述电量获取模块用于若所述活动事件为所述预设事件,获取所述可穿戴设备的当前剩余电量;
所述充电提示模块用于在所述当前剩余电量不满足所述活动事件对应的电量条件时,推送充电提示信息,所述充电提示信息用于提示用户对所述可穿戴设备进行充电。
12.一种可穿戴设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行如权利要求1-10任一项所述的方法。
13.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311711.2A CN114518797B (zh) | 2020-11-20 | 2020-11-20 | 信息推送方法、装置、可穿戴设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311711.2A CN114518797B (zh) | 2020-11-20 | 2020-11-20 | 信息推送方法、装置、可穿戴设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114518797A CN114518797A (zh) | 2022-05-20 |
CN114518797B true CN114518797B (zh) | 2024-02-13 |
Family
ID=81595286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011311711.2A Active CN114518797B (zh) | 2020-11-20 | 2020-11-20 | 信息推送方法、装置、可穿戴设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114518797B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106303096A (zh) * | 2015-06-10 | 2017-01-04 | 联想(北京)有限公司 | 电子设备及其调整电源管理策略的方法 |
CN107851231A (zh) * | 2015-07-28 | 2018-03-27 | 微软技术许可有限责任公司 | 基于活动模型的活动检测 |
CN108322601A (zh) * | 2018-01-25 | 2018-07-24 | 维沃移动通信有限公司 | 一种提醒方法及终端 |
CN108833704A (zh) * | 2018-06-20 | 2018-11-16 | Oppo(重庆)智能科技有限公司 | 移动终端及其事件的提醒方法、存储介质 |
CN108876284A (zh) * | 2018-05-14 | 2018-11-23 | 平安科技(深圳)有限公司 | 一种用户行为提示生成方法及终端设备 |
CN110022403A (zh) * | 2019-03-06 | 2019-07-16 | 华为技术有限公司 | 终端充电提醒方法、装置、设备及存储介质 |
CN110320991A (zh) * | 2019-06-24 | 2019-10-11 | 维沃移动通信有限公司 | 一种移动终端的电源管理方法及装置 |
CN111293749A (zh) * | 2020-02-28 | 2020-06-16 | Oppo广东移动通信有限公司 | 充电方法、充电装置、终端设备、移动电源及存储介质 |
CN111797858A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 模型训练方法、行为预测方法、装置、存储介质及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8949629B2 (en) * | 2011-04-01 | 2015-02-03 | International Business Machines Corporation | Predicting battery power usage |
US20180082570A1 (en) * | 2016-09-20 | 2018-03-22 | Qualcomm Incorporated | Dynamic battery charging threshold for mobile devices |
US10567568B2 (en) * | 2018-05-31 | 2020-02-18 | Microsoft Technology Licensing, Llc | User event pattern prediction and presentation |
-
2020
- 2020-11-20 CN CN202011311711.2A patent/CN114518797B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106303096A (zh) * | 2015-06-10 | 2017-01-04 | 联想(北京)有限公司 | 电子设备及其调整电源管理策略的方法 |
CN107851231A (zh) * | 2015-07-28 | 2018-03-27 | 微软技术许可有限责任公司 | 基于活动模型的活动检测 |
CN108322601A (zh) * | 2018-01-25 | 2018-07-24 | 维沃移动通信有限公司 | 一种提醒方法及终端 |
CN108876284A (zh) * | 2018-05-14 | 2018-11-23 | 平安科技(深圳)有限公司 | 一种用户行为提示生成方法及终端设备 |
CN108833704A (zh) * | 2018-06-20 | 2018-11-16 | Oppo(重庆)智能科技有限公司 | 移动终端及其事件的提醒方法、存储介质 |
CN110022403A (zh) * | 2019-03-06 | 2019-07-16 | 华为技术有限公司 | 终端充电提醒方法、装置、设备及存储介质 |
CN111797858A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 模型训练方法、行为预测方法、装置、存储介质及设备 |
CN110320991A (zh) * | 2019-06-24 | 2019-10-11 | 维沃移动通信有限公司 | 一种移动终端的电源管理方法及装置 |
CN111293749A (zh) * | 2020-02-28 | 2020-06-16 | Oppo广东移动通信有限公司 | 充电方法、充电装置、终端设备、移动电源及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114518797A (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111078479B (zh) | 一种内存检测模型训练的方法、内存检测的方法及装置 | |
CN109656722A (zh) | 内存优化方法、装置、移动终端及存储介质 | |
CN111611478B (zh) | 信息推荐方法、装置和电子设备 | |
CN108804231B (zh) | 一种内存优化方法、装置、可读存储介质及移动终端 | |
CN103885793A (zh) | 确定合适的应用的方法、应用确定***以及应用确定单元 | |
US11480623B2 (en) | Apparatus and method for predicting a remaining battery life in a device | |
CN112587920A (zh) | 设备控制方法、装置、电子设备及存储介质 | |
CN115408696B (zh) | 应用识别方法及电子设备 | |
CN107506017A (zh) | 充电提醒方法及装置、电子设备和计算机可读存储介质 | |
CN106980914A (zh) | 女性生理周期的预测方法及装置、终端 | |
CN108197714B (zh) | 利用机器学习模型进行工作模式判决的方法及装置 | |
CN111050388B (zh) | Doze模式控制方法、装置、移动终端及存储介质 | |
CN107748697B (zh) | 应用关闭方法、装置、存储介质及电子设备 | |
CN113055984B (zh) | 终端控制方法、装置、移动终端及存储介质 | |
CN111045507B (zh) | 名单管控方法、装置、移动终端及存储介质 | |
CN114518797B (zh) | 信息推送方法、装置、可穿戴设备及存储介质 | |
CN113064660A (zh) | 设备控制方法、装置、电子设备及存储介质 | |
CN113225676B (zh) | 近场通信的设置方法、装置、移动终端及存储介质 | |
CN113031982A (zh) | 应用程序运行预测方法、装置以及电子设备 | |
US20230088429A1 (en) | Processing device, processing method, and program | |
CN110659883A (zh) | 一种日程提醒方法、装置及存储介质 | |
CN113426136B (zh) | 异常告警方法、装置、计算机设备及存储介质 | |
CN114698564B (zh) | 耳标状态的检测方法、装置、存储介质及电子设备 | |
CN112990826B (zh) | 一种短时物流需求预测方法、装置、设备及可读存储介质 | |
KR102374265B1 (ko) | 다단계 적시 중재 시스템을 통한 원격 헬스케어 사용자의 운동 처방 준수율 향상 방법 및 시스템 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |