Page 253 - 《软件学报》2021年第10期

李豁然 等:基于细粒度数据的智能手机续航时间预测模型 3225

到,两者之间也呈现出了比较清晰的正相关性,从而比较粗略地说明用户的电池使用习惯能够对预测续航时间
带来帮助.
最终,本文尝试分析除电量信息本身外,其他上下文信息能否对续航时间预测带来帮助.作为一个例子,本
文选取了加速度传感器当中的一个读数 Accelerometerstat_y_third_idx_fft,分析其与 R 1 的关联,结果如图 1(d)所
示.从结果上看,该读数与 R 1 之间呈现出的正相关比较明显,尤其在读数较小时更加突出.因此可以认为,传感器
读数与续航时间之间存在比较显著的关联,可以用于续航时间预测工作.
通过上述描述性分析可以发现:用户在发起查询时,系统的状态(例如查询时电量)、当前会话内的使用行为
信息(例如 R 0 与 R )和系统状态信息(例如传感器)都可以给续航时间预测带来帮助.

(a) 查询时电量与 R 1 的关联 (b) R 0 与 R 1 的关联

(c) R 与 R 1 的关联 (d) 代表性传感器与 R 1 的关联
Fig.1 Correlation between R 1 with current battery level at query time, R 0 , R ,
and a representative sensor reading, respectively
图 1 R 1 与查询时电量、R 0 、 R 及代表性传感器的关联
4 研究方法概览

4.1 方法总体概览

本文提出模型的整体工作流概览如图 2 所示.整个过程包含 4 个步骤.
(1) 数据收集.该环节从原始数据中生成会话,并获取每个会话对应的查询时间.同时,该环节从原始数据
中提取出与会话相对应的各种上下文信息;
(2) 续航时间计算与特征提取.对于每个会话,该环节首先根据与其对应的查询时间和目标电量计算出实
际的电池续航时间,作为回归模型的输出.然后,该环节从该会话对应的上下文信息中生成与当前会
话和当次查询对应的各类特征信息(将在下文加以详述).全体特征信息以高维向量的形式加以表示,
构成特征向量,作为回归模型的输入;
(3) 模型训练.基于上一环节中得到的模型输入(特征向量)和模型输出(续航时间),该环节训练回归模型.