JP5175242B2 - 使用パターンに基づく移動通信端末のバッテリ使用可能時間の予測方法 - Google Patents

Description

本発明は、使用パターンに基づく移動通信端末のバッテリ使用可能時間の予測方法に関する。具体的に、本発明はバッテリの電力消費に影響を及ぼす端末の各動作状態におけるバッテリの電力消費量及びバッテリの使用時間に基づいて移動通信端末のバッテリの使用可能時間を予測する方法に関する。

近年、移動通信技術及びサービスの発展に伴い、移動通信端末の数が増加するにつれて、移動通信端末におけるバッテリの使用可能時間を予め予測することが重要な技術の１つとなった。

従来のバッテリの使用可能時間を予測する技術は、バッテリメーカーや端末メーカーで端末が発売される前に実験によって定められた基準値に基づいてバッテリの残量を予測する方法が一般的であった。また、移動通信端末の待機可能時間を消耗した電流の算出平均によって提供する方法のように、バッテリの使用に関する理論的モデルやシミュレーションに基づく研究もあった。近年は、統計を用いた予測方法が紹介されたが、これは使用しているバッテリの電圧が特定値に到達した時、その後、端末のバッテリの電力が完全に枯渇するまでバッテリを使用できる時間を実際のバッテリの使用時間に関する統計資料から求める方法である。

日本公開特許第２００４−１３４９５６号

上述した従来のバッテリ使用可能時間の予測方法は、回路レベルで電流の消耗量を通じてバッテリの使用可能時間を予測したり、一般的なユーザのバッテリ使用時間を予測することに焦点を当てた方法が主流をなした。

従って、端末を用いる人によって使用パターンが異なるにも拘らず、バッテリの使用可能時間は画一的に予測されざるを得なかった。端末のユーザは一般的なユーザに対して予測されたバッテリの使用可能時間が得られるだけで、自身の使用パターンに基づいて更に自分に適合するように予測された結果の提供を受けることができないので、効率的なバッテリの使用又は異常なバッテリの乱用の検出などバッテリ使用可能時間の予測技術の効果は制約的であったのが事実である。

そこで、本発明は上記事情に鑑みてなされたものであって、その目的は、バッテリの電力消費に影響を及ぼす使用パターンに基づく移動通信端末のバッテリ使用可能時間を効率的に予測する方法を提供することにある。

前記目的を達成するための本発明の一側面によれば、移動通信端末のバッテリの使用可能時間を予測する方法であって、前記バッテリの電力消費に影響を及ぼす前記移動通信端末の使用パターンに応じて１つ以上のモードを定義する段階と、前記各モードにおけるバッテリの電力消費量及びバッテリの使用時間に関する時系列データを生成する段階と、前記時系列データに基づいて前記モード別の平均バッテリ電力消費速度及び前記モード別のバッテリ使用時間割合を計算する段階と、前記モード別の前記平均バッテリ電力消費速度及び前記モード別の前記バッテリ使用時間割合に基づいて前記バッテリの使用可能時間を予測する段階とを含む移動通信端末のバッテリ使用可能時間の予測方法を提供する。

本発明によれば、移動通信端末のバッテリ使用可能時間を個別ユーザの使用パターンに基づいて正確に提供できるという効果を奏する。

また、予想されるバッテリの使用可能時間を自身の使用パターンに基づいてユーザが分かるため、端末の効率的な使用を可能にするという効果が得られる。

更に、予測されたバッテリの使用可能時間と実際のバッテリの使用時間とを比較することで、異常なバッテリ使用の検出又は端末の問題点を診断できるようにするという効果がある。

本発明による使用パターンに基づく移動通信端末のバッテリ使用可能時間を予測する装置の概略的なブロック構成図である。 バッテリの電力消費に影響を及ぼす端末の動作に基づいて定義された１つ以上の状態間の状態遷移を示す図である。 本発明の全体の流れを示した活動図を示す図である。 各状態でバッテリの電力消費量及びバッテリの使用時間に関する時系列データを示す図である。

以下、添付する図面を参照して本発明の動作原理を詳細に説明する。

図１は、本発明による使用パターンに基づく移動通信端末のバッテリ使用可能時間を予測する装置の概略的なブロック構成図である。図１に示すように、移動通信端末１００は、状態検知部１０２、データ管理部１０４、電力管理回路１０６、バッテリ１０８を含む。

一般に、移動通信端末１００において、バッテリ１０８の消費電力は移動通信端末１００の使用パターンにより影響を受けるが、ここで、使用パターンは音声通話、映像通話、データ通信、文字メッセージの伝送、ＬＣＤのオン状態、応用プログラムの駆動、ＭＰの３鑑賞、待機状態などの動作状態を含む。このような動作状態のうち、音声通話、データ通信、ＬＣＤのオン状態はバッテリの電力消耗に大きく影響を及ぼすと予想される。本発明によれば、下記の表１のように、例えば、８つの基本的なモードを定義するためにこれらの状態を利用する。

状態検知部１０２は、移動通信端末の音声通話如何、データ通信如何、ＬＣＤの使用如何などの動作状態を検知して表１を参照して検知された動作状態に対応するモードを決定する。状態検知部１０２で決定されたモードは、データ管理部１０４に伝達される。

データ管理部１０４は、状態検知部１０２から伝達を受けた各モードでバッテリ１０８の電力消費量及びバッテリ１０８の使用時間に関するデータをリアルタイムで生成して格納する。

電力管理回路１０６は、データ管理部１０４が生成したデータに基づいてモード別の平均バッテリ電力消費速度とモード別のバッテリ使用時間割合を計算する。また、電力管理回路１０６は、モード別の平均バッテリ電力消費速度とモード別のバッテリ使用時間割合に基づいてバッテリ１０８の使用可能時間を予測する。

下記の表１は、ＬＣＤのオン状態、音声通話、データ通信の３つの動作状態を基準として定義された計８つのモードを示す。

前記表１の○は移動通信端末１００で該当動作状態が使用中であることを示し、×は使用しないことを示す。

モードＳ０は、ＬＣＤがオン状態で音声通話及びデータ通信を同時に使用する場合である。このようなモードは現在存在しないが、今後は存在する可能性もある。このモードでは、ＬＣＤ、音声通話及びデータ通信がいずれもバッテリの電力消費に影響を及ぼす。

モードＳ１は、ＬＣＤがオン状態で音声通話だけを行う場合である。このモードは音声通話を最初に始める場合、音声通話の連結開始イベント時点から活性化され、ＬＣＤと音声通話がバッテリの電力消費に影響を及ぼす。

モードＳ２は、ＬＣＤがオン状態でデータ通信だけを行う場合である。このモードはデータ通信の連結開始イベント時点から活性化され、ＬＣＤとデータ通信がバッテリの電力消費に影響を及ぼす。

モードＳ３は、ＬＣＤのみオン状態で音声通話及びデータ通信を両方とも使用しない場合である。電話がかかってきたり、電話機を開いた時の待機状態に該当し、ＬＣＤのみバッテリの電力消費に影響を及ぼす。

モードＳ４は、ＬＣＤがオフ状態で音声通話とデータ通信を同時に使用する場合である。このようなモードは現在存在しないが、今後は存在する可能性もある。このモードでは音声通話とデータ通信がバッテリの電力消費に影響を及ぼす。

モードＳ５は、ＬＣＤがオフ状態で音声通話だけを行う場合である。このモードは音声通話を始めてから一定のタイムアウト後に可能な状態であり、音声通話がバッテリの電力消費に影響を及ぼす。

モードＳ６は、ＬＣＤがオフ状態でデータ通信だけを行う場合である。このようなモードは現在存在しないが、今後は存在する可能性もある。このモードではデータ通信がバッテリの電力消費に影響を及ぼす。

モードＳ７は、ＬＣＤがオフ状態で音声通話及びデータ通信を両方とも使用しない場合である。電話がかかってこなかったり、電話機を開かなかったり、タイムアウトとなった待機状態であり、基地局との周期的な接続を通じたプロセスがバッテリの電力消費に影響を及ぼす。

図２は、使用パターンに基づいて定義されたモード間の遷移を示す図である。図２を参照すれば、端末の電源を入れる時、端末はオフ２００状態からオン２０１状態に変わる。オン２０１状態のＳ０（２０２）、Ｓ４（２０６）、Ｓ６（２０８）は現在存在しておらず、今後存在するとしても現在は到達不可能な状態である。オン２０１状態ではＳ３（２０５）から出発する。音声通話を開始すれば、Ｓ１（２０３）に進み、一定時間が経過してタイムアウトとなった後はＬＣＤがオフとなり、Ｓ５（２０７）に進む。Ｓ５（２０７）でボタンを動作すれば、Ｓ１（２０３）に進み、音声通話が終了すれば、Ｓ３（２０５）に進む。そして、データ通信を開始すれば、Ｓ２（２０４）に進み、データ通信が終了すれば、再びＳ３（２０５）に戻る。一定時間が経過し、タイムアウトとなるまで何ら動作をしなくなれば、Ｓ７（２０９）に進み、電話の受信を待つ。そして、電話が受信されたり、端末を開くようになれば、Ｓ３（２０５）に進む。

図３は、本発明の全体の流れを示した活動図を示す図である。端末がオンすれば、状態検知部１０２が移動通信端末の音声通話如何、データ通信如何、ＬＣＤの使用如何などの動作状態を検知する（ｓ３００）。データ管理部１０４は、各状態でのバッテリ１０８の電力消費量及びバッテリ１０８の使用時間に関するデータをリアルタイムで生成して格納する（ｓ３０２）。格納されたデータは、状態別の平均バッテリ電力消費速度及び状態別のバッテリ使用時間割合を分析するのに用いられる時系列データである。電力管理回路１０６ではデータに基づいて状態別の平均バッテリ電力消費速度を計算し（ｓ３０４）、各ユーザの使用パターンを示す状態別のバッテリ使用時間割合を計算する（ｓ３０６）。そして、このような状態別の平均バッテリ電力消費速度と状態別のバッテリ使用時間割合に基づいて、バッテリの使用時間を予測する（ｓ３０８）。

図４は、各状態でバッテリの電力消費量及びバッテリの使用時間に関する時系列データを示す図である。図３のグラフは一実施形態であって、データ収集器が収集した時系列データを時間とバッテリの残量を基準として作図したものである。特に、点線はＳ５（１０７）、即ち、ＬＣＤがオン状態で音声通話だけを行う状態でのバッテリの電力消費量及びバッテリの使用時間を示すものである。このような各状態での時系列データサンプル全体の算術平均によって下記の式１のように状態別の平均バッテリ電力消費速度を求めることができる。

（ここで、α_iはＳｉ状態での平均バッテリ電力消費速度ｍＡ／ｓｅｃであり、ｉの範囲は０から７までであり、β_jはｊ番目の音声通話時のバッテリの電力消費量ｍＡであり、τ_jはｊ番目の音声通話時の通話時間、即ち、バッテリの使用時間Ｓｅｃである。）

各ユーザの使用パターンは、状態別のバッテリ使用時間割合で判断できる。この割合はユーザ毎に異なり、これが他ならぬユーザの使用パターンを示す数値になり得るためである。状態別のバッテリ使用時間割合を計算する方法には様々な方法が存在し得る。最も簡単な方法の１つは、データ収集器が収集した時系列データを用いて各状態でのバッテリ使用時間をあらゆる状態でのバッテリ使用時間の和で割ることである。これを下記の式２のように表すことができる。

（ここで、β_iはＳｉ状態でバッテリ電力を消費した割合であり、γ_iはＳｉ状態でバッテリを消費した時間である。）

状態別のバッテリ使用時間割合を計算する他の方法としては、過去の時系列データを通じて未来のデータを予測する方法などがある。自己回帰モデル（Ａｕｔｏ Ｒｅｇｒｅｓｓｉｖｅ Ｍｏｄｅｌ、ＡＲ）又はホルト・ウィンタースモデル（Ｈｏｌｔ-Ｗｉｎｔｅｒｓ Ｍｏｄｅｌ）を用いる予測方法がそれである。ユーザのパターンも過去の時系列データを基準とするが、最近のデータに更に多くの比重を置いて予測するように重みに関する因子を調節できる。

自己回帰モデルは、時系列自体に対する回帰形態を取るモデルである。一般のｐ次自分回帰（ＡＲ）過程に従う場合、現時点ｔでの時系列データＺ_tはｐ個の過去の時系列データの重み和φ₁Ｚ_t-1＋φ₂Ｚ_t-2＋・・・＋φ_pＺ_t-pとこれらのデータで説明されない部分である誤差項α_tの線形結合で表現される。自己回帰モデルにおける時系列データＺ_tは、下記の式３のように表すことができる。

（ここで、Ｚ_iはｉ番目の時系列データ、φ_iはｉ番目の時系列データに対する重み、α_τは誤差項を表す。）

ホルト・ウィンタースモデルは、時系列データに対する指数平滑法（Ｅｘｐｏｎｅｎｔｉａｌ Ｓｍｏｏｔｈｉｎｇ）に属する予測法である。指数平滑法は、最近のデータに最も大きな重みを与え、時間が経過するにつれて、重みを指数的に減少させる重み移動平均予測法の１つであり、過去のデータを維持する代わりに、最も最近のデータを作り出す方式である。ホルト・ウィンタースアルゴリズムは、指数平滑法の形態で計算される３つの要素の和で表現され、その３つの要素は平均水準（Ｂａｓｅｌｉｎｅ）、線形トレンド（Ｌｉｎｅａｒ Ｔｒｅｎｄ）、季節トレンド（Ｓｅａｓｏｎａｌ Ｔｒｅｎｄ）である。ホルト・ウィンタースモデルには加法モデルと乗法モデルがあるが、本発明では乗法モデルを用いる。これを用いた予測は、下記の式４のように表すことができる。

（ここで、Ｙ_tは時点ｔで観察された時系列の値、Ｌ_tは時点ｔでの時系列の平均水準、ｂ_tは時点ｔでの時系列の線形トレンド、Ｓ_tは時点ｔでの時系列の季節トレンド、Ｆ_t+mは時点ｔで予測した時点ｔ＋ｍの予測値である。Ｓは季節トレンドの長さ、例えば、１週間を構成する曜日の数又は１年を構成する月の数であり、α、β、γは平滑化パラメータを表し、０＜α，β，γ＜１である。）

前記式４のホルト・ウィンタースモデルは、ｍ期間の差を置いて予測値を計算するモデルである。本発明では１期間の差を置いて予測値を計算する。即ち、ｍは１を仮定する。ホルト・ウィンタースモデルを適用するためには平滑化パラメータα、β、γの値を予め設定しておかなければならない。平滑化パラメータの値は、予測誤差を最小化する値が最も好ましい。平滑化パラメータの値を設定するために伝統的に用いられてきた方法の１つとして、幾つかの可能な値（０.１、０.３、０.５、０.７、０.９）に対して予測誤差を計算した後、そのうち、最も少ない予測誤差を示す値を平滑化パラメータとして用いる格子検索（ｇｒｉｄ ｓｅａｒｃｈ）方法が挙げられる。本発明ではユーザの使用パターンを周期的に分析して予測したバッテリの使用可能時間とユーザの実際のバッテリ使用時間に基づいて最適の平滑化パラメータを決定した後、平滑化パラメータをその決定された値に予め設定して用いるように動的にアップデートするようにした。

図３を参照すれば、状態別の平均バッテリ電力消費速度α_iを計算する段階（ｓ３０４）とユーザパターンを示す状態別のバッテリ使用時間割合β_iを計算する段階（ｓ３０６）を経た後、その結果に基づいて最終的に残ったバッテリの総量δに対する使用可能時間εを予測する段階（ｓ３０８）を行うようになる。この段階（ｓ３０８）は、残ったバッテリの総量δを、状態別の平均バッテリ電力消費速度α_iに状態別のバッテリ使用時間割合β_iを乗じた値を全体状態に対して全部加算した和で割る過程である。これは下記の式５のように表現できる。

（ここで、εは残ったバッテリの予測された使用可能時間Ｓｅｃ、δは残ったバッテリの総量ｍＡ、α_iはＳｉ状態での平均バッテリ電力消費速度ｍＡ／ｓｅｃであり、ｉの範囲は０から７であり、β_iはＳｉ状態で消費した割合である。）

前記式５でα_iとβ_iを周期的（１週間又は１ヶ月）にアップデートできるので、前記式は時間の経過によるバッテリの老化現象又はユーザのパターンが変わる場合に対してもバッテリの使用可能時間の予測のために柔軟に適用できる。

以上のように本発明の理解のためにその実施形態を記述したが、当業者であれば分かるように、本発明は本明細書で記述された特定の実施形態に限定されるものではなく、本発明の範疇から逸脱しない範囲内で多様に変形、変更及び代替できる。従って、本発明の真の思想及び範疇に属するあらゆる変形及び変更を特許請求の範囲によって全て包括したい。

Claims (4)

1. 移動通信端末のバッテリの使用可能時間を予測する方法であって、
   前記バッテリの電力消費に影響を及ぼす前記移動通信端末の使用パターンに応じて１つ以上のモードを定義する段階と、
   前記各モードにおけるバッテリの電力消費量及びバッテリの使用時間に関する時系列データを生成する段階と、
   各ユーザの使用パターンを反映した前記時系列データに基づいて前記モード別の平均バッテリ電力消費速度及び前記モード別のバッテリ使用時間割合を計算する段階と、
   前記モード別の前記平均バッテリ電力消費速度及び前記モード別の前記バッテリ使用時間割合に基づいて前記バッテリの使用可能時間を予測する段階と
   を含み、
   前記モード別の前記バッテリ使用時間割合は、各ユーザの使用パターンを反映した前記時系列データに自己回帰モデルまたはホルト・ウィンタースモデルを用いて得た予測値から導き出されることを特徴とする移動通信端末のバッテリ使用可能時間の予測方法。
2. 前記モードは、前記移動通信端末のＬＣＤの使用如何、音声通話如何及びデータ通信如何の動作状態を含み、前記動作状態のうちのいずれか１つ以上を含む組み合わせによって定義されることを特徴とする請求項１に記載の移動通信端末のバッテリ使用可能時間の予測方法。
3. 前記モード別の前記平均バッテリ電力消費速度は、前記モード別の前記時系列データのサンプル全体の算術平均によって導き出されることを特徴とする請求項１に記載の移動通信端末のバッテリ使用可能時間の予測方法。
4. 前記バッテリの使用可能時間は、残っているバッテリ容量の総量を前記モード別の前記平均バッテリ電力消費速度に前記モード別の前記バッテリ使用時間割合を乗じた値を全体モードに対して全部加算した和で割ることで予測されることを特徴とする請求項１に記載の移動通信端末のバッテリ使用可能時間の予測方法。

Images