本公开涉及通信技术，尤其涉及一种功耗控制方法、装置和设备。
背景技术：
随着生活水平的提高，手机、笔记本、ipad、电脑、智能电视和智能手表等终端设备已成为常用设备，而且用户对其能耗的要求也越来越高。
通常，为了降低终端设备的能耗，在终端设备长时间未被操作的情况下，终端设备会自动灭屏进入待机状态，从而减小终端设备的能耗。然而，终端设备在较长时间的灭屏状态下，部分的第三方应用程序(application，app)或者米柚(miui)等服务还会在后台继续运行，例如，手机在灭屏的情况下，一些app仍然会推送信息等。
技术实现要素：
为克服相关技术中存在的问题，本公开提供一种功耗控制方法、装置和设备。
根据本公开实施例的第一方面，提供一种功耗控制方法，包括：
获取终端在当前灭屏状态下的运行数据；
采用数据模型对所述运行数据进行处理，获取预测结果，所述数据模型为服务器对多个终端在灭屏状态下的多个运行数据进行模型训练生成的模型，所述预测结果用于判断所述终端是否为睡眠模式；
根据所述预测结果确定所述终端在所述当前灭屏状态下是否为睡眠模式；
若所述终端在所述当前灭屏状态下为睡眠模式，则根据预设的功耗策略对所述终端进行功耗控制。
一个实施例中，所述采用数据模型对所述运行数据进行处理，获取预测结果，包括：
对所述运行数据进行特征提取，获取特征向量；
将所述特征向量输入所述数据模型，获取所述预测结果。
一个实施例中，所述方法还包括：
将所述预测结果发送给服务器，以使所述服务器根据所述预测结果优化所述数据模型。
一个实施例中，所述预设的功耗策略包括以下策略中的至少一个：
关闭或暂停在所述终端的后台运行的所有应用程序app；
控制在所述终端的后台运行的app关闭部分功能；
按照所述app的优先级，关闭或暂停在所述终端的后台运行的部分app。
根据本公开实施例的第二方面，提供一种功耗控制方法，包括：
获取多个终端在灭屏状态下的多个运行数据；
对多个所述运行数据进行模型训练生成数据模型；
将所述数据模型发送给各所述终端，以使各所述终端在灭屏状态下根据所述数据模型确定各所述终端是否为睡眠模式，并根据所述睡眠模式进行功耗控制。
在一个实施例中，所述对多个所述运行数据进行模型训练生成数据模型，包括：
对多个所述运行数据进行特征提取，获取特征向量；
采用机器学习算法对所述特征向量进行模型训练，生成所述数据模型。
在一个实施例中，所述采用机器学习算法对所述特征向量进行模型训练，生成所述数据模型，包括：
根据预设的迭代算法对所述特征向量进行多次迭代，生成所述模型数据，所述模型数据的准确率大于预设阈值。
在一个实施例中，所述对多个所述运行数据进行模型训练生成数据模型之前，所述方法还包括：
对每个所述运行数据进行格式校验，所述格式校验用于检验所述运行数据的格式是否正确；
若所述运行数据的格式错误，则丢弃所述运行数据。
在一个实施例中，所述对多个所述运行数据进行模型训练生成数据模型之前，所述方法还包括：
对每个所述运行数据进行完整性校验，所述完整性校验用于检验所述运行数据是否存在缺失字段；
若所述运行数据存在缺失字段，则补全所述运行数据中的缺失字段。
在一个实施例中，所述方法还包括：
接收多个所述终端发送的预测结果，所述预测结果为各所述终端采用所述数据模型对当前灭屏状态下的运行数据处理后获得的结果；
根据所述预测结果优化所述数据模型。
在一个实施例中，所述预设的功耗策略包括以下策略中的至少一个：
关闭或暂停在所述终端的后台运行的所有应用程序app；
控制在所述终端的后台运行的app关闭部分功能；
按照所述app的优先级，关闭或暂停在所述终端的后台运行的部分app。
根据本公开实施例的第三方面，提供一种功耗控制装置，包括：
获取模块，被配置为获取终端在当前灭屏状态下的运行数据；
处理模块，被配置为采用数据模型对所述运行数据进行处理，获取预测结果，所述数据模型为服务器对多个终端在灭屏状态下的多个运行数据进行模型训练生成的模型，所述预测结果用于判断所述终端是否为睡眠模式；
确定模块，被配置为根据所述预测结果确定所述终端在所述当前灭屏状态下是否为睡眠模式；
控制模块，被配置为若所述终端在所述当前灭屏状态下为睡眠模式，则根据预设的功耗策略对所述终端进行功耗控制。
一个实施例中，所述处理模块，包括：
提取子模块，被配置为对所述运行数据进行特征提取，获取特征向量；
获取子模块，被配置为将所述特征向量输入所述数据模型，获取所述预测结果。
一个实施例中，所述装置还包括：
发送模块，被配置为将所述预测结果发送给服务器，以使所述服务器根据所述预测结果优化所述数据模型。
一个实施例中，所述预设的功耗策略包括以下策略中的至少一个：
关闭或暂停在所述终端的后台运行的所有应用程序app；
控制在所述终端的后台运行的app关闭部分功能；
按照所述app的优先级，关闭或暂停在所述终端的后台运行的部分app。
根据本公开实施例的第四方面，提供一种功耗控制装置，包括：
获取模块，被配置为获取多个终端在灭屏状态下的多个运行数据；
生成模块，被配置为对多个所述运行数据进行模型训练生成数据模型；
发送模块，被配置为将所述数据模型发送给各所述终端，以使各所述终端在灭屏状态下根据所述数据模型确定各所述终端是否为睡眠模式，并根据所述睡眠模式进行功耗控制。
一个实施例中，所述生成模块，包括：
提取子模块，被配置为对多个所述运行数据进行特征提取，获取特征向量；
生成子模块，被配置为采用机器学习算法对所述特征向量进行模型训练，生成所述数据模型。
一个实施例中，所述生成子模块，包括：
迭代子模块，被配置为根据预设的迭代算法对所述特征向量进行多次迭代，生成所述模型数据，所述模型数据的准确率大于预设阈值。
一个实施例中，所述装置还包括：
第一校验模块，被配置为对每个所述运行数据进行格式校验，所述格式校验用于检验所述运行数据的格式是否正确；
丢弃模块，被配置为若所述运行数据的格式错误，则丢弃所述运行数据。
一个实施例中，所述装置还包括：
第二校验模块，被配置为对每个所述运行数据进行完整性校验，所述完整性校验用于检验所述运行数据是否存在缺失字段；
补全模块，被配置为若所述运行数据存在缺失字段，则补全所述运行数据中的缺失字段。
一个实施例中，所述装置还包括：
接收模块，被配置为接收多个所述终端发送的预测结果，所述预测结果为各所述终端采用所述数据模型对当前灭屏状态下的运行数据处理后获得的结果；
优化模块，被配置为根据所述预测结果优化所述数据模型。
一个实施例中，所述预设的功耗策略包括以下策略中的至少一个：
关闭或暂停在所述终端的后台运行的所有应用程序app；
控制在所述终端的后台运行的app关闭部分功能；
按照所述app的优先级，关闭或暂停在所述终端的后台运行的部分app。
根据本公开实施例的第五方面，提供一种设备，包括：
存储器、处理器以及计算机程序，所述处理器运行所述计算机程序执行以下方法：
获取终端在当前灭屏状态下的运行数据；
采用数据模型对所述运行数据进行处理，获取预测结果，所述数据模型为服务器对多个终端在灭屏状态下的多个运行数据进行模型训练生成的模型，所述预测结果用于判断所述终端是否为睡眠模式；
根据所述预测结果确定所述终端在所述当前灭屏状态下是否为睡眠模式；
若所述终端在所述当前灭屏状态下为睡眠模式，则根据预设的功耗策略对所述终端进行功耗控制。
根据本公开实施例的第六方面，提供一种设备，包括：
存储器、处理器以及计算机程序，所述处理器运行所述计算机程序执行以下方法：
获取多个终端在灭屏状态下的多个运行数据；
对多个所述运行数据进行模型训练生成数据模型；
将所述数据模型发送给各所述终端，以使各所述终端在灭屏状态下根据所述数据模型确定各所述终端是否为睡眠模式，并根据所述睡眠模式进行功耗控制。
根据本公开实施例的第七方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面各实施例所述方法的步骤。
根据本公开实施例的第八方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第二方面各实施例所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
一个实施例中，获取终端在当前灭屏状态下的运行数据；采用数据模型对运行数据进行处理，获取预测结果，根据预测结果确定终端在当前灭屏状态下是否为睡眠模式，若终端在当前灭屏状态下为睡眠模式，则根据预设的功耗策略对终端进行功耗控制，从而达到终端在睡眠期间省电的目的，减小终端的功耗。
一个实施例中，对运行数据进行特征提取，获取特征向量，将特征向量输入数据模型，获取预测结果，并根据当前预测结果执行相应的功耗优化措施，从而达到终端在睡眠期间省电的目的，且不会对用户的使用造成障碍。
一个实施例中，终端采用该数据模型对终端在当前灭屏状态下的运行数据处理后，获得预测结果，终端将该预测结果反馈给服务器，服务器可以根据该预测结果对数据模型进行优化，形成一个闭环，从而使得数据模型更加的精确。
一个实施例中，预设的功耗策略可以包括多种功耗优化策略，终端在睡眠模式下，可以对终端中运行app进行控制，以达到节省功耗的目的，灵活性高。
一个实施例中，获取多个终端在灭屏状态下的多个运行数据；对多个运行数据进行模型训练生成数据模型；将数据模型发送给各终端，以使各终端在灭屏状态下根据数据模型确定各终端是否为睡眠模式，，并根据睡眠模式执行相应的功耗优化策略，从减小终端的功耗。
一个实施例中，对多个运行数据进行特征提取，获取特征向量，采用机器学习算法对特征向量进行模型训练，生成数据模型，使得终端加载该数据模型，并将终端当前状态下的运行数据以特征向量的参数形式输入到数据模型中获得预测值，并根据当前预测结果执行相应的功耗优化措施，从而达到终端在睡眠期间省电的目的，且不会对用户的使用造成障碍。
一个实施例中，根据预设的迭代算法对特征向量进行多次迭代，生成模型数据，模型数据的准确率大于预设阈值，以使数据模型达到一定的评价指标，可以提高确定终端睡眠模式的准确性，更好地进行能耗控制。
一个实施例中，对每个运行数据进行格式校验，若运行数据的格式错误，则丢弃运行数据，保证了根据运行数据生成的数据模型的准确性和可靠性。
一个实施例中，对每个运行数据进行完整性校验，若运行数据存在缺失字段，则补全运行数据中的缺失字段，保证了根据运行数据生成的数据模型的准确性和可靠性。
一个实施例中，终端采用该数据模型对终端在当前灭屏状态下的运行数据处理后，获得预测结果，终端将该预测结果反馈给服务器，服务器可以根据该预测结果对数据模型进行优化，形成一个闭环，从而使得数据模型更加的精确。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种功耗控制方法的流程图；
图2是根据另一示例性实施例示出的一种功耗控制方法的流程图；
图3是根据另一示例性实施例示出的一种功耗控制方法的流程图；
图4是根据另一示例性实施例示出的一种功耗控制方法的流程图；
图5是根据另一示例性实施例示出的一种功耗控制方法的流程图；
图6是根据另一示例性实施例示出的一种功耗控制方法的流程图；
图7是根据另一示例性实施例示出的一种功耗控制方法的流程图；
图8是根据一示例性实施例示出的一种功耗控制装置的框图；
图9是根据另一示例性实施例示出的一种功耗控制装置的框图；
图10是根据另一示例性实施例示出的一种功耗控制装置的框图；
图11是根据再一示例性实施例示出的一种功耗控制装置的框图；
图12是根据再一示例性实施例示出的一种功耗控制装置的框图；
图13是根据再一示例性实施例示出的一种功耗控制装置的框图；
图14是根据再一示例性实施例示出的一种功耗控制装置的框图；
图15是根据再一示例性实施例示出的一种功耗控制装置的框图；
图16是根据一示例性实施例示出的一种设备的框图；
图17是根据一示例性实施例示出的一种用于功耗控制的装置的框图；
图18是根据另一示例性实施例示出的一种用于功耗控制的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种功耗控制方法的流程图。该方法的执行主体为终端，终端可以为手机、电脑、ipad、游戏机、智能电视机等设备，如图1所示，该方法包括以下步骤：
在步骤s11中，获取终端在当前灭屏状态下的运行数据。
在本公开实施例中，运行数据为终端在当前灭屏状态下的数据，例如，当终端灭屏之后，可以实时的获取当前的运行数据。运行数据可以包括传感器数据、前台和后台使用的app包名、蓝牙状态信息、wi-fi网络连接状态信息等。
在步骤s12中，采用数据模型对运行数据进行处理，获取预测结果，数据模型为服务器对多个终端在灭屏状态下的多个运行数据进行模型训练生成的模型，预测结果用于判断终端是否为睡眠模式。
在本公开实施例中，终端加载数据模型，并将运行数据输入数据模型，获得输出的预测结果。
其中，数据模型是由服务器端生成然后载入到终端中的，服务器可以选择机器学习算法对各终端上报的多个运行数据进行模型训练并得到训练好的数据模型，例如，服务器采用决策树、逻辑回归、支持向量机(supportvectormachine，svm)等算法对多个运行数据进行处理，生成数据模型。该数据模型中包括复杂的逻辑和规则，输出为预测结果，预测结果用于判断终端是否为睡眠模式，如，数据模型可以通过输入终端的实时参数预测当前灭屏是否是最长时间的灭屏，若是，则终端为睡眠模式。例如，若将手机的在灭屏状态下的实时参数输入该数据模型，根据数据模型的输出结果，可以判断当前灭屏的持续时间是否超过了最大时间阈值，若超过最大时间阈值，则确定该终端在当前灭屏状态下为睡眠模式。
在步骤s13中，根据预测结果确定终端在当前灭屏状态下是否为睡眠模式。
在本公开实施例中，终端可以根据预测结果确定终端是否为睡眠模式，若是，则执行相应的功耗优化措施。例如，该预测结果中包含“是”，则终端在当前灭屏状态下为睡眠模式，若预测结果中包含“否”，则终端在当前灭屏状态下为非睡眠模式。
在步骤s14中，若终端在当前灭屏状态下为睡眠模式，则根据预设的功耗策略对终端进行功耗控制。
在本公开实施例中，若终端在当前灭屏状态下为睡眠模式，则可以根据预设的功耗策略对终端的功耗进行优化，以节省能耗，例如，关闭全部或者部分正在运行的app，或者，关闭终端或运行app的部分功能等。
本公开实施例提供的功耗控制方法，获取终端在当前灭屏状态下的运行数据；采用数据模型对运行数据进行处理，获取预测结果，根据预测结果确定终端在当前灭屏状态下是否为睡眠模式，若终端在当前灭屏状态下为睡眠模式，则根据预设的功耗策略对终端进行功耗控制，从而达到终端在睡眠期间省电的目的，减小终端的功耗。
图2是根据另一示例性实施例示出的一种功耗控制方法的流程图。在图2所示实施例的基础上，如图2所示，步骤s12“采用数据模型对运行数据进行处理，获取预测结果”的实现方式可以包括以下步骤：
在步骤s21中，对运行数据进行特征提取，获取特征向量。
在本公开实施例中，由于数据模型为机器学习获得的模型，因此，需要对运行数据进行特征提取，将运行数据变换为机器学习算法可以使用的特征向量形式。
在步骤s22中，将特征向量输入数据模型，获取预测结果。
在本实施例中，将上个步骤中获取到的特征向量作为参数输入数据模型中，获得输出的预测结果。该预测结果可以用“是”和“否”的形式来表示睡眠模式和非睡眠模式，也可以用数字“1”和“0”的形式来表示睡眠模式和非睡眠模式，或者是其它的方式均可，本公开中不加以限制。
本公开实施例提供的功耗控制方法，对运行数据进行特征提取，获取特征向量，将特征向量输入数据模型，获取预测结果，并根据当前预测结果执行相应的功耗优化措施，从而达到终端在睡眠期间省电的目的，且不会对用户的使用造成障碍。
可选地，在图1或图2所示实施例的基础上，步骤s14之后，该方法还可以包括：将预测结果发送给服务器，以使服务器根据预测结果优化数据模型。
在本公开实施例中，终端采用该数据模型对终端在当前灭屏状态下的运行数据处理后，获得预测结果，终端将该预测结果反馈给服务器，服务器可以根据该预测结果对数据模型进行优化，形成一个闭环，从而使得数据模型更加的精确。
可选地，预设的功耗策略包括以下策略中的至少一个：
关闭或暂停在终端的后台运行的所有应用程序app；
控制在终端的后台运行的app关闭部分功能；
按照app的优先级，关闭或暂停在终端的后台运行的部分app。
在本公开实施例中，若终端在当前灭屏状态下为睡眠模式，则根据预设的功耗策略对终端在当前灭屏状态下的功耗进行优化。其中，预设的功耗策略可以是控制在终端的后台运行的app关闭部分功能，例如，阻止部分正在运行的app的消息推送、消息提醒、自动加载、自动定位等一些功能，或者，预设的功耗策略可以是按照app的优先级，关闭或暂停在终端的后台运行的部分app，例如，按照每个app的优先级高低，关闭一些优先级较低的app，或者，预设的功耗策略可以是控制所有正在运行的app进入休眠状态，例如，控制正在运行的所有app也进入休眠状态，当屏幕点亮时再工作等等；或者，预设的功耗策略可以是关闭或暂停在终端的后台运行的所有应用程序app，例如，直接将正在后台运行的app都暂停运行，当终端屏幕被点亮时，这些app开始运行。
本公开实施例提供的功耗控制方法，预设的功耗策略可以包括多种功耗优化策略，终端在睡眠模式下，可以对终端中运行app进行控制，以达到节省功耗的目的，灵活性高。
图3是根据另一示例性实施例示出的一种功耗控制方法的流程图。该方法的执行主体为服务器或数据分析平台，如图3所示，该方法包括以下步骤：
在步骤s31中，获取多个终端在灭屏状态下的多个运行数据。
在本公开实施例中，每个终端收集自身在灭屏状态下的运行数据，并将这些运行数据按照一定的格式按照预设的时间周期上传至数据分析平台或服务器。
其中，运行数据可以包括传感器数据、前台和后台使用的app包名、蓝牙状态信息、无线保真(wireless-fidelity，wi-fi)网络连接状态信息等。终端可以为手机、电脑、ipad、游戏机、智能电视机等设备。
在步骤s32中，对多个运行数据进行模型训练生成数据模型。
在本公开实施例中，可以选择机器学习算法对各终端上报的多个运行数据进行模型训练并得到训练好的数据模型，例如，采用决策树、逻辑回归、支持向量机(supportvectormachine，svm)等算法对多个运行数据进行处理，生成数据模型。该数据模型中包括复杂的逻辑和规则，数据模型的输出为预测结果，该预测结果用于判断终端是否为睡眠模式，如，数据模型可以通过输入终端的实时参数预测当前灭屏是否是最长时间的灭屏，若是，则终端为睡眠模式。例如，若将手机的在灭屏状态下的实时参数输入该数据模型，根据数据模型的输出结果，可以判断当前灭屏的持续时间是否超过了最大时间阈值，若超过最大时间阈值，则确定该终端在当前灭屏状态下为睡眠模式。
在步骤s33中，将数据模型发送给各终端，以使各终端在灭屏状态下根据数据模型确定各终端是否为睡眠模式，并根据睡眠模式进行功耗控制。
在本公开实施例中，将数据模型载入终端，使得该数据模型可以在终端中运行。终端在灭屏状态下，将当前灭屏状态下的运行数据处理成特征向量形式，加载数据模型并将特征向量以参数的形式输入到模型中，模型返回当前的预测结果，终端可以根据预测结果确定终端是否为睡眠模式，若是，则执行相应的功耗优化措施。例如，该预测结果中包含“是”，则终端在当前灭屏状态下为睡眠模式，若预测结果中包含“否”，则终端在当前灭屏状态下为非睡眠模式，若为睡眠模式，终端可以适当的关闭正在运行的app的某些功能，从而达到减少功耗的目的。
本公开实施例提供的功耗控制方法，获取多个终端在灭屏状态下的多个运行数据；对多个运行数据进行模型训练生成数据模型；将数据模型发送给各终端，以使各终端在灭屏状态下根据数据模型确定各终端是否为睡眠模式，，并根据睡眠模式执行相应的功耗优化策略，从减小终端的功耗。
可选地，在图3所示实施例的基础上，预设的功耗策略包括以下策略中的至少一个：
关闭或暂停在终端的后台运行的所有应用程序app；
控制在终端的后台运行的app关闭部分功能；
按照app的优先级，关闭或暂停在终端的后台运行的部分app。
在本公开实施例中，若终端在当前灭屏状态下为睡眠模式，则根据预设的功耗策略对终端在当前灭屏状态下的功耗进行优化。其中，预设的功耗策略可以是控制在终端的后台运行的app关闭部分功能，例如，阻止部分正在运行的app的消息推送、消息提醒、自动加载、自动定位等一些功能，或者，预设的功耗策略可以是按照app的优先级，关闭或暂停在终端的后台运行的部分app，例如，按照每个app的优先级高低，关闭一些优先级较低的app，或者，预设的功耗策略可以是控制所有正在运行的app进入休眠状态，例如，控制正在运行的所有app也进入休眠状态，当屏幕点亮时再工作等等；或者，预设的功耗策略可以是关闭或暂停在终端的后台运行的所有应用程序app，例如，直接将正在后台运行的app都暂停运行，当终端屏幕被点亮时，这些app开始运行。
本公开实施例提供的功耗控制方法，预设的功耗策略可以包括多种功耗优化策略，终端在睡眠模式下，可以对终端中运行app进行控制，以达到节省功耗的目的，灵活性高。
图4是根据另一示例性实施例示出的一种功耗控制方法的流程图。在图3所示实施例的基础上，如图4所示，步骤s32“对多个运行数据进行模型训练生成数据模型”的实现方式可以包括以下步骤：
在步骤s41中，对多个运行数据进行特征提取，获取特征向量。
在本公开实施例中，为了采用机器学习算法，需要将运行数据处理成机器学习算法可以使用的特征向量形式，需要对每个运行数据进行特征提取，获取相应的特征向量。
在步骤s42中，采用机器学习算法对特征向量进行模型训练，生成数据模型。
在本公开实施例中，根据实际需求选择决策树、逻辑回归、svm等合适的机器学习算法，将步骤s41中处理好的特征向量使用算法进行模型训练，得到训练好的数据模型。
可选地，步骤s42“采用机器学习算法对特征向量进行模型训练，生成数据模型”包括：根据预设的迭代算法对特征向量进行多次迭代，生成模型数据，模型数据的准确率大于预设阈值。
在本实施例中，预设阈值可以根据实际需求来设置，例如，预设阈值可以为70％、80％、85％、90％等数值。预设的迭代算法可以为决策树、逻辑回归、svm等机器学习算法，根据预设的迭代算法对特征向量进行多次迭代，以使数据模型达到一定的评价指标，例如，最终生成的数据模型的准确率大于80％。
在本实施例中，根据预设的迭代算法对特征向量进行多次迭代，生成模型数据，模型数据的准确率大于预设阈值，以使数据模型达到一定的评价指标，可以提高确定终端睡眠模式的准确性，更好地进行能耗控制。
本公开实施例提供的功耗控制方法，对多个运行数据进行特征提取，获取特征向量，采用机器学习算法对特征向量进行模型训练，生成数据模型，使得终端加载该数据模型，并将终端当前状态下的运行数据以特征向量的参数形式输入到数据模型中获得预测值，并根据当前预测结果执行相应的功耗优化措施，从而达到终端在睡眠期间省电的目的，且不会对用户的使用造成障碍。
图5是根据另一示例性实施例示出的一种功耗控制方法的流程图。在图3或图4所示实施例的基础上，如图5所示，在步骤s32“对多个运行数据进行模型训练生成数据模型”之前，该方法还包括：
在步骤s51中，对每个运行数据进行格式校验，格式校验用于检验运行数据的格式是否正确。
在本公开实施例中，需要对终端上报的每条运行数据进行格式校验，例如，可以对运行数据的起始位、数据位、奇偶校验位、停止位等字段进行校验。其校验方法可以采用现有的数据格式的校验方法，此处不再赘述。
在步骤s52中，若运行数据的格式错误，则丢弃运行数据。
在本公开实施例中，若运行数据的格式出现错误，则丢弃该运行数据。例如，若运行数据中的起始位、数据位、奇偶校验位、停止位等任何一个字段出现错误，则丢弃该运行数据。
本公开实施例提供的功耗控制方法，对每个运行数据进行格式校验，若运行数据的格式错误，则丢弃运行数据，保证了根据运行数据生成的数据模型的准确性和可靠性。
图6是根据另一示例性实施例示出的一种功耗控制方法的流程图。在图3或图4所示实施例的基础上，如图6所示，在步骤s12“对多个运行数据进行模型训练生成数据模型”之前，该方法还包括：
在步骤s61中，对每个运行数据进行完整性校验，完整性校验用于检验运行数据是否存在缺失字段。
在本公开实施例中，需要对终端上报的每条运行数据进行完整性校验，以检查该运行数据是否有数据缺失。可以采用奇偶校验法、循环冗余校验码(cyclicredundancycheck，crc)校验法、消息摘要算法第五版(messagedigestalgorithm5，md5)校验法、哈希算法等方法对运行数据的完整性进行校验。
在步骤s62中，若运行数据存在缺失字段，则补全运行数据中的缺失字段。
在本实施例中，若运行数据中存在缺失字段，需要将缺失的字段补充完整。
本公开实施例提供的功耗控制方法，对每个运行数据进行完整性校验，若运行数据存在缺失字段，则补全运行数据中的缺失字段，保证了根据运行数据生成的数据模型的准确性和可靠性。
图7是根据另一示例性实施例示出的一种功耗控制方法的流程图。在图3-图6任一实施例的基础，如图7所示，该方法还包括以下步骤：
在步骤s71中，接收多个终端发送的预测结果，预测结果为各终端采用数据模型对终端在当前灭屏状态下的运行数据处理后获得的结果。
在步骤s72中，根据预测结果优化数据模型。
在本公开实施例中，终端采用该数据模型对终端在当前灭屏状态下的运行数据处理后，获得预测结果，终端将该预测结果反馈给服务器，服务器可以根据该预测结果对数据模型进行优化，形成一个闭环，从而使得数据模型更加的精确。
图8是根据一示例性实施例示出的一种功耗控制装置的框图。如图8所示，该装置包括：
获取模块11被配置为获取终端在当前灭屏状态下的运行数据。
处理模块12被配置为采用数据模型对运行数据进行处理，获取预测结果，数据模型为服务器对多个终端在灭屏状态下的多个运行数据进行模型训练生成的模型，预测结果用于判断终端是否为睡眠模式。
确定模块13被配置为根据预测结果确定终端在当前灭屏状态下是否为睡眠模式。
控制模块14被配置为若终端在当前灭屏状态下为睡眠模式，则根据预设的功耗策略对终端进行功耗控制。
图9是根据另一示例性实施例示出的一种功耗控制装置的框图。在图8所示实施例的基础上，如图9所示，处理模块12包括：
提取子模块121被配置为对运行数据进行特征提取，获取特征向量。
获取子模块122被配置为将特征向量输入数据模型，获取预测结果。
图10是根据另一示例性实施例示出的一种功耗控制装置的框图。在图8或图9所示实施例的基础上，如图10所示，该装置还包括：
发送模块15被配置为将预测结果发送给服务器，以使服务器根据预测结果优化数据模型。
可选地，预设的功耗策略包括以下策略中的至少一个：
关闭或暂停在终端的后台运行的所有应用程序app；
控制在终端的后台运行的app关闭部分功能；
按照app的优先级，关闭或暂停在终端的后台运行的部分app。
关于上述各实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图11是根据再一示例性实施例示出的一种功耗控制装置的框图。如图11所示，该装置包括：
获取模块21被配置为获取多个终端在灭屏状态下的多个运行数据。
生成模块22被配置为对多个运行数据进行模型训练生成数据模型。
发送模块23被配置为将数据模型发送给各终端，以使各终端在灭屏状态下根据数据模型确定各终端是否为睡眠模式，并根据睡眠模式进行功耗控制。
图12是根据再一示例性实施例示出的一种功耗控制装置的框图。在图11所示实施例的基础上，如图12所示，生成模块22包括：
提取子模块221被配置为对多个运行数据进行特征提取，获取特征向量。
生成子模块222被配置为采用机器学习算法对特征向量进行模型训练，生成数据模型。
可选地，如图12所示，生成子模块222包括：
迭代子模块223被配置为根据预设的迭代算法对特征向量进行多次迭代，生成模型数据，模型数据的准确率大于预设阈值。
图13是根据再一示例性实施例示出的一种功耗控制装置的框图。在图11或图12所示实施例的基础上，如图13所示，该装置还包括：
第一校验模块24被配置为对每个运行数据进行格式校验，格式校验用于检验运行数据的格式是否正确。
丢弃模块25被配置为若运行数据的格式错误，则丢弃运行数据。
图14是根据再一示例性实施例示出的一种功耗控制装置的框图。在图11-图13任一所示实施例的基础上，如图14所示，该装置还包括：
第二校验模块26被配置为对每个运行数据进行完整性校验，完整性校验用于检验运行数据是否存在缺失字段。
补全模块27被配置为若运行数据存在缺失字段，则补全运行数据中的缺失字段。
图15是根据再一示例性实施例示出的一种功耗控制装置的框图。在图11-图14任一所示实施例的基础上，如图15所示，装置还包括：
接收模块28被配置为接收多个终端发送的预测结果，预测结果为各终端采用数据模型对当前灭屏状态下的运行数据处理后获得的结果；
优化模块29被配置为根据预测结果优化数据模型。
可选地，预设的功耗策略包括以下策略中的至少一个：
关闭或暂停在终端的后台运行的所有应用程序app；
控制在终端的后台运行的app关闭部分功能；
按照app的优先级，关闭或暂停在终端的后台运行的部分app。
关于上述各实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图16是根据一示例性实施例示出的一种设备的框图。如图16所示，该设备包括：
存储器31、处理器32以及计算机程序33，处理器32运行计算机程序33执行以下方法：
获取终端在当前灭屏状态下的运行数据；
采用数据模型对运行数据进行处理，获取预测结果，数据模型为服务器对多个终端在灭屏状态下的多个运行数据进行模型训练生成的模型，预测结果用于判断终端是否为睡眠模式；
根据预测结果确定终端在当前灭屏状态下是否为睡眠模式；
若终端在当前灭屏状态下为睡眠模式，则根据预设的功耗策略对终端进行功耗控制。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例还提供另一种设备，该设备的结构与图16所述的结构相同，包括：
存储器31、处理器32以及计算机程序33，处理器32运行计算机程序33执行以下方法：
获取多个终端在灭屏状态下的多个运行数据；
对多个运行数据进行模型训练生成数据模型；
将数据模型发送给各终端，以使各终端在灭屏状态下根据数据模型确定各终端是否为睡眠模式，并根据睡眠模式进行功耗控制。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述图1或图2所示方法的步骤。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述图3-图7所示方法的步骤。
图17是根据一示例性实施例示出的一种用于功耗控制的装置的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图17，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
图18是根据另一示例性实施例示出的一种用于功耗控制的装置的框图。例如，装置1900可以被提供为一服务器。参照图18，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述图3-图7所示的方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(i/o)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种功耗控制方法，所述方法包括：
获取终端在当前灭屏状态下的运行数据；
采用数据模型对所述运行数据进行处理，获取预测结果，所述数据模型为服务器对多个终端在灭屏状态下的多个运行数据进行模型训练生成的模型，所述预测结果用于判断所述终端是否为睡眠模式；
根据所述预测结果确定所述终端在所述当前灭屏状态下是否为睡眠模式；
若所述终端在所述当前灭屏状态下为睡眠模式，则根据预设的功耗策略对所述终端进行功耗控制。
其中，所述采用数据模型对所述运行数据进行处理，获取预测结果，包括：
对所述运行数据进行特征提取，获取特征向量；
将所述特征向量输入所述数据模型，获取所述预测结果。
其中，所述方法还包括：
将所述预测结果发送给服务器，以使所述服务器根据所述预测结果优化所述数据模型。
其中，所述预设的功耗策略包括以下策略中的至少一个：
关闭或暂停在所述终端的后台运行的所有应用程序app；
控制在所述终端的后台运行的app关闭部分功能；
按照所述app的优先级，关闭或暂停在所述终端的后台运行的部分app。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种功耗控制方法，所述方法包括：
获取多个终端在灭屏状态下的多个运行数据；
对多个所述运行数据进行模型训练生成数据模型；
将所述数据模型发送给各所述终端，以使各所述终端在灭屏状态下根据所述数据模型确定各所述终端是否为睡眠模式，并根据所述睡眠模式进行功耗控制。
其中，所述对多个所述运行数据进行模型训练生成数据模型，包括：
对多个所述运行数据进行特征提取，获取特征向量；
采用机器学习算法对所述特征向量进行模型训练，生成所述数据模型。
其中，所述采用机器学习算法对所述特征向量进行模型训练，生成所述数据模型，包括：
根据预设的迭代算法对所述特征向量进行多次迭代，生成所述模型数据，所述模型数据的准确率大于预设阈值。
其中，所述对多个所述运行数据进行模型训练生成数据模型之前，所述方法还包括：
对每个所述运行数据进行格式校验，所述格式校验用于检验所述运行数据的格式是否正确；
若所述运行数据的格式错误，则丢弃所述运行数据。
其中，所述对多个所述运行数据进行模型训练生成数据模型之前，所述方法还包括：
对每个所述运行数据进行完整性校验，所述完整性校验用于检验所述运行数据是否存在缺失字段；
若所述运行数据存在缺失字段，则补全所述运行数据中的缺失字段。
其中，所述方法还包括：
接收多个所述终端发送的预测结果，所述预测结果为各所述终端采用所述数据模型对当前灭屏状态下的运行数据处理后获得的结果；
根据所述预测结果优化所述数据模型。
其中，所述预设的功耗策略包括以下策略中的至少一个：
关闭或暂停在所述终端的后台运行的所有应用程序app；
控制在所述终端的后台运行的app关闭部分功能；
按照所述app的优先级，关闭或暂停在所述终端的后台运行的部分app。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。