信息处理器、信息处理方法和程序的制作方法
【专利摘要】本技术涉及一种能够高度精确地设置目标变量的值的信息处理装置、信息处理方法和程序。日志获取部获取目标时间系列数据和多个系列的说明时间系列数据，目标时间系列数据与希望估计的目标变量对应，所述多个系列的说明时间系列数据是与说明目标变量的多个说明变量对应的时间系列数据。使用获取的目标时间系列数据和多个系列的说明时间系列数据，模型参数更新部学习概率模型的参数。基于通过学习获得的概率模型的参数，日志选择部选择与由日志获取部获取的说明时间系列数据对应的说明变量。基于由选择部的选择的结果，估计部使用由日志获取部分获取的所述多个系列的说明时间系列数据估计目标变量的值。本技术能够被应用于例如用于估计机器的功耗的信息处理装置。
【专利说明】信息处理器、信息处理方法和程序
【技术领域】
[0001] 本技术涉及一种信息处理器、信息处理方法和程序，具体地讲，涉及一种高效地并 且高度精确地估计目的变量值的信息处理器、信息处理方法和程序。
【背景技术】
[0002] 已提供用于估计电子装置的功耗的技术，在该技术中，作为电子装置部件的CPU 的负载因数等被定义为说明变量，以说明变量及其功率系数的线形式对电子装置的功耗进 行建模，并且基于部件的工作状态估计功耗（例如，参见专利文献1)。
[0003] 引用列表
[0004] 专利文献
[0005] 专利文献 I JP 2010-22533 A
【发明内容】
[0006] 本发明要解决的问题
[0007] 然而，根据专利文献1的技术仅使用在时间t的部件的工作状态（值）以便估计 在时间t的功耗。因此，根据专利文献1的技术不能考虑到直至时间t的工作状态历史而 估计功耗。
[0008] 另外，在根据专利文献1的技术中，需要由人确定和选择用于功耗的估计的获取 数据（与说明变量对应的数据）的种类以防止多重共线性的问题。
[0009] 考虑到这种情况而提出本技术，并且本技术的一个目的是通过考虑直至当前时间 的工作状态历史而自动选择获取的数据来高效地并且高度精确地估计目的变量值。
[0010] 问题的解决方案
[0011] 根据本技术的一个方面，一种信息处理器包括获取单元、学习单元、选择单元和估 计单元。获取单元获取目的时间序列数据和多个说明时间序列数据，目的时间序列数据是 与待估计的目的变量对应的时间序列数据，所述多个说明时间序列数据是与用于说明目的 变量的多个说明变量对应的时间序列数据。学习单元使用获取的目的时间序列数据和多个 说明时间序列数据学习概率模型的参数。选择单元基于已通过学习获得的概率模型的参 数，选择与要由获取单元获取的说明时间序列数据对应的说明变量。估计单元基于选择单 元的选择结果，使用已由获取单元获取的所述多个说明时间序列数据估计目的变量的值。
[0012] 根据本技术的一个方面，在一种信息处理方法中，信息处理器获取目的时间序列 数据和多个说明时间序列数据，目的时间序列数据是与要估计的目的变量对应的时间序列 数据，所述多个说明时间序列数据是与用于说明目的变量的多个说明变量对应的时间序列 数据；使用获取的目的时间序列数据和多个说明时间序列数据学习概率模型的参数；基于 已通过学习获得的概率模型的参数选择与要获取的说明时间序列数据对应的说明变量；以 及基于选择结果使用已获取的所述多个说明时间序列数据估计目的变量的值。
[0013] 根据本技术的一个方面，一种程序使计算机用作获取单元、学习单元、选择单元和 估计单元。获取单元获取目的时间序列数据和多个说明时间序列数据，目的时间序列数据 是与要估计的目的变量对应的时间序列数据，所述多个说明时间序列数据是与用于说明目 的变量的多个说明变量对应的时间序列数据。学习单元使用获取的目的时间序列数据和多 个说明时间序列数据学习概率模型的参数。选择单元基于通过学习获得的概率模型的参 数，选择与要由获取单元获取的说明时间序列数据对应的说明变量。估计单元基于选择单 元的选择结果使用已由获取单元获取的所述多个说明时间序列数据估计目的变量的值。
[0014] 在本技术的一个方面中，获取目的时间序列数据和多个说明时间序列数据，目的 时间序列数据是与要估计的目的变量对应的时间序列数据，所述多个说明时间序列数据是 与用于说明目的变量的多个说明变量对应的时间序列数据。获取的目的时间序列数据和所 述多个说明时间序列数据被用于学习概率模型的参数。基于通过学习获得的概率模型的参 数，选择与获取的说明时间序列数据对应的说明变量。基于选择结果使用已获取的多个说 明时间序列数据估计目的变量的值。
[0015] 要注意的是，能够通过经传输介质传输或者通过记录在记录介质中来提供所述程 序。
[0016] 所述信息处理器可以是独立设备或构成一个设备的内部块。
[0017] 本发明的效果
[0018] 根据本技术的一个方面，能够高效地并且高度精确地估计目的变量的值。
【专利附图】
【附图说明】
[0019] 图1是示出装置功耗估计处理的示意图。
[0020] 图2是示出根据应用本技术的信息处理器的实施例的示例性结构的方框图。
[0021] 图3是示出数据收集处理的流程图。
[0022] 图4是示出模型参数学习处理的流程图。
[0023] 图5是示出功耗估计处理的流程图。
[0024] 图6是示出HMM图形模型的图。
[0025] 图7是示出模型参数更新处理的流程图。
[0026] 图8是示出根据应用本技术的计算机的实施例的示例性结构的方框图。
【具体实施方式】
[0027][信息处理器的处理的概要]
[0028] 首先，将参照图1描述在应用本技术的信息处理器中执行的装置功耗估计处理的 概要。
[0029] 将在以下描述的图2中示出的信息处理器1获取代表装置（电子装置）中的预定 部件的工作状态的时间系列数据。要注意的是，获取的时间系列数据是例如CPU利用率、存 储器（RAM)存取速度、可移动介质的写/读计数，如图1中所示。在获取代表工作状态的时 间系列数据时，信息处理器1还同时获取关于装置功耗的时间系列数据。
[0030] 信息处理器1最初使用预定学习模型学习多种工作状态和功耗之间的关系。由信 息处理器1学习的学习模型在以下被称为功耗变化模型。
[0031] 在已通过学习确定功耗变化模型（参数）之后，信息处理器1使用学习的功耗变 化模型，仅基于新输入的代表所述多种工作状态的时间系列数据估计当前装置功耗。信息 处理器1实时地在显示器上显示例如当前功耗作为估计结果。
[0032] 信息处理器1的处理包括两个主要处理。第一处理是用于使用预定学习模型学习 多种工作状态和功耗之间的关系的学习处理。第二处理是用于使用已在学习处理中获得的 学习模型估计当前装置功耗的功耗估计处理。
[0033] 所述装置（电子装置）包括移动终端（诸如，智能电话或平板计算机终端）或静 止个人计算机。另外，所述装置可以是电视机、内容记录器/播放器等。信息处理器1可被 包括在要估计功耗的装置的一部分中，或者可包括不同于要估计的装置的设备并且被构造 为连接到要估计的装置以便执行估计。信息处理器1可被形成为包括多个设备的信息处理 系统。
[0034] [信息处理器的功能框图]
[0035] 图2是示出信息处理器1的功能结构的方框图。
[0036] 信息处理器1包括功耗测量单元11、功耗时间系列输入单元12、日志获取单元13、 装置控制单元14、日志时间系列输入单元15、时间系列历史存储单元16、模型学习单元17、 功耗估计单元18和估计功耗显示单元19。
[0037] 功耗测量单元11包括例如功率表（钳型表）、测试器或示波器。功耗测量单元连 接到装置的电源线，测量在每个时间的装置功耗，并且将测量结果输出到功耗时间系列输 入单元12。
[0038] 功耗时间系列输入单元12在预定时间段内积累从功耗测量单元11提供的在每个 时间的功耗值。功耗时间系列输入单元12由此产生功耗值的时间系列数据。产生的功耗 值的时间系列数据（以下也被称为时间系列功耗数据）包括在预定时间段内收集的获取时 间和功耗值的集合。
[0039] 日志获取单元13获取代表装置中的预定部件的工作状态的数据作为日志信息。 日志获取单元13同时获取多种日志信息，并且将获取的信息输出到日志时间系列输入单 元15。由日志获取单元13获取的日志信息的种类包括CPU利用率、GPU利用率、Wi-Fi通 信量、移动通信通信量（3G通信量）、显示亮度、或运行应用列表和CPU利用率的成对数据， 但日志信息的种类不限于它们。
[0040] 在功耗变化模型的学习处理中，装置控制单元14控制装置采用各种状态，以便学 习在各种可能的状态下的功耗作为功耗变化模型。例如，装置控制单元14同时开始并且运 行多种应用（诸如，游戏和电子表格处理软件）或者执行或者停止数据通信，以使得装置执 行可能的组合的工作状态。
[0041] 在学习处理中，日志时间系列输入单元15在预定时间段内积累从日志获取单元 13提供的代表在每个时间的工作状态的日志信息。日志时间系列输入单元15由此将所获 得的时间系列日志数据输出到时间系列历史存储单元16。
[0042] 另外，在功耗估计处理中，日志时间系列输入单元15在预定时间段内积累从日志 获取单元13提供的在每个时间的日志信息。日志时间系列输入单元15由此将所获得的时 间系列日志数据输出到功耗估计单元18。
[0043] 要注意的是，当日志信息的种类是例如运行应用列表和CPU利用率的成对数据 时，从装置控制单元14向日志时间系列输入单元15提供运行应用列表，并且从日志获取单 元13向日志时间系列输入单元15提供CPU利用率。
[0044]日志时间系列输入单元15根据需要执行数据处理（诸如，异常值去除处理）。异常 值去除处理能够采用例如在Liu等人的Computers and Chemical Engineering 28(2004) 的第 1635-1647页中的"On-line outlier detection and data cleaning"中提供的处理。
[0045] 时间系列历史存储单元16存储从功耗时间系列输入单元12提供的时间系列功耗 数据和从日志时间系列输入单元15提供的时间系列日志数据。当模型学习单元17学习 (更新）功耗变化模型时，使用已被存储在时间系列历史存储单元16中的时间系列功耗数 据和时间系列日志数据。
[0046] 模型学习单元17包括模型参数更新单元21、模型参数存储单元22和日志选择单 元23。
[0047] 模型参数更新单元21使用已被存储在时间系列历史存储单元16中的时间系列功 耗数据和时间系列日志数据来学习功耗变化模型，并且使模型参数存储单元22存储所获 得的功耗变化模型的参数。以下，功耗变化模型的参数也被简单地称为模型参数。
[0048] 另外，当新的时间系列功耗数据和新的时间系列日志数据被存储在时间系列历史 存储单元16中时，模型参数更新单元21使用新的时间系列数据更新存储在模型参数存储 单元22中的功耗变化模型的参数。
[0049] 模型参数更新单元21采用混合HMM+RVM作为代表功耗变化模型的概率模型，混 合HMM+RVM是相关向量机（RVM)和代表在隐状态S下的装置的工作状态的隐马尔可夫模型 (HMM)的概率模型。将在稍后详细描述HMM+RVM。
[0050] 模型参数存储单元22存储已由模型参数更新单元21更新（学习）的功耗变化模 型的参数。存储在模型参数存储单元22中的功耗变化模型的参数被提供给功耗估计单元 18。
[0051] 日志选择单元23选择性地控制由日志获取单元13获取的所述多种日志信息中的 不必要的（种类的）日志信息。更具体地讲，日志选择单元23基于存储在模型参数存储单 元22中的功耗变化模型的参数（值）确定不必要的日志信息。日志选择单元23基于确定 结果控制日志获取单元13,以使得不获取被确定为不必要的日志信息。
[0052] 功耗估计单元18从模型参数存储单元22获取已在学习处理中获得的功耗变化模 型的参数。在功耗估计处理中，功耗估计单元18将从日志时间系列输入单元15提供的在 当前时间之前的预定时间段内的时间系列日志数据输入到学习的功耗变化模型。另外，功 耗估计单元18估计当前时间的功耗值。从该估计获得的功耗值被提供给估计功耗显示单 元19。
[0053] 估计功耗显示单元19以预定方式显示从功耗估计单元18提供的当前时间的功耗 值。例如，估计功耗显示单元19以数字方式显示当前时间的功耗值，或者以图形方式显示 在当前时间之前的所述预定时间段内的功耗值的转变。
[0054] 信息处理器1被如上所述构造。
[0055] [数据收集处理的流程图]
[0056] 将参照图3的流程图描述数据收集处理。数据收集处理是信息处理器1的学习处 理的一部分，并且被构造为收集用于计算模型参数的数据。
[0057] 首先，在步骤Sl中，功耗测量单元11开始测量装置功耗。在步骤Sl的处理之后， 以预定时间间隔测量功耗，并且测量结果被顺序地输出到功耗时间系列输入单元12。
[0058] 在步骤S2中，装置控制单元14启动并且运行多种应用。
[0059] 在步骤S3中，日志获取单元13开始获取多种日志信息。在步骤S3的处理之后， 以预定时间间隔获取所述多种日志信息，并且所述多种日志信息被顺序地输出到日志时间 系列输入单元15。
[0060] 可按照任何次序执行步骤Sl至S3的处理。另外，可同时执行步骤Sl至S3的处 理。
[0061] 在步骤S4中，功耗时间系列输入单元12在预定时间段内积累从功耗测量单元11 提供的在每个时间的功耗值。功耗时间系列输入单元12由此产生时间系列功耗数据。功 耗时间系列输入单元12将产生的时间系列功耗数据提供给时间系列历史存储单元16。
[0062] 在步骤S5中，日志时间系列输入单元15在预定时间段内积累从日志获取单元13 提供的在每个时间的日志信息。日志时间系列输入单兀15由此产生时间系列日志数据。日 志时间系列输入单元15将产生的时间系列日志数据提供给时间系列历史存储单元16。
[0063] 在步骤S6中，时间系列历史存储单元16存储从功耗时间系列输入单元12提供的 时间系列功耗数据和从日志时间系列输入单元15提供的时间系列日志数据。
[0064] 在已执行步骤Sl至S6的处理之后，学习数据（时间系列功耗数据和时间系列日 志数据的集合）被存储在时间系列历史存储单元16中。所述学习数据是在由装置控制单 元14在步骤S2中控制的预定工作条件下获得的。
[0065] 信息处理器1以各种方式将工作条件改变为彼此不同，将上述数据收集处理重复 预定次数，并且积累在各种可能的工作状态下的学习数据。也就是说，信息处理器1以各种 方式改变步骤S2的处理，将步骤Sl至S6的处理重复预定次数，并且将在各种可能的工作 状态下的学习数据存储在时间系列历史存储单元16中。
[0066][模型参数学习处理的流程图]
[0067] 接下来，将参照图4的流程图描述模型参数学习处理。模型参数学习处理是信息 处理器1的学习处理的一部分，并且被构造为使用已在数据收集处理中收集的学习数据得 出模型参数。
[0068] 首先，在步骤S21中，模型参数更新单元21从模型参数存储单元22获取当前模型 参数。当模型参数更新单元21第一次学习功耗变化模型时，模型参数的初始值被存储在模 型参数更新单元21中。
[0069] 在步骤S22中，模型参数更新单元21获取存储在时间系列历史存储单元16中的 时间系列功耗数据和时间系列日志数据。
[0070] 在步骤S23中，模型参数更新单元21利用从模型参数存储单元22获取的当前模 型参数作为初始值，使用从时间系列历史存储单元16获取的新的时间系列功耗数据和新 的时间系列日志数据来更新模型参数。
[0071] 在步骤S24中，模型参数更新单元21将更新的模型参数提供给模型参数存储单元 22,并且使模型参数存储单元22存储更新的模型参数。模型参数存储单元22在当前模型 参数上覆写从模型参数更新单元21提供的更新的模型参数，并且存储覆写的参数。
[0072] 在步骤S25中，日志选择单元23基于存储在模型参数存储单元22中的更新的模 型参数，确定不必要的日志信息。日志选择单元23基于确定结果控制日志获取单元13,以 使得不获取被确定为不必要的日志信息。从下一次起，日志选择单元23的选择控制被反映 在由日志获取单元13执行的日志信息获取处理（步骤S3的处理）中。
[0073] 如上所述，使用存储在时间系列历史存储单元16中的新的时间系列功耗数据和 新的时间系列日志数据执行模型参数的学习（更新）。
[0074] [功耗估计处理的流程图]
[0075] 接下来，将参照图5的流程图描述用于使用学习的模型参数估计在当前工作状态 下的功耗的功耗估计处理。
[0076] 首先，在步骤S41中，功耗估计单元18从模型参数存储单元22获取已通过学习处 理获得的模型参数。
[0077] 在步骤S42中，日志获取单元13获取当前时间的多种当前日志信息，并且将日志 信息输出到日志时间系列输入单元15。在步骤S42的处理中，仅获取由日志选择单元23选 择性地控制的种类的日志信息。
[0078] 在步骤S43中，日志时间系列输入单元15暂时存储从日志获取单元13提供的当 前时间的日志信息。日志时间系列输入单元15将在当前时间之前的预定时间段内的时间 系列日志数据提供给功耗估计单元18。从日志获取单元13提供当前时间的日志信息以擦 除不需要存储的旧的日志信息。
[0079] 在步骤S44中，功耗估计单元18使用学习的功耗变化模型执行功耗估计处理。也 就是说，功耗估计单元18将来自日志时间系列输入单元15的时间系列日志数据输入到功 耗变化模型，并且估计（计算）当前时间的功耗值。从该估计获得的功耗值被提供给估计 功耗显示单元19。
[0080] 在步骤S45中，估计功耗显示单元19以预定方式显示在当前时间的功耗值（估计 值），并且结束该处理，其中从功耗估计单元18提供在当前时间的功耗值。
[0081] 例如，在每次日志获取单元13获取新的日志信息时执行上述步骤S41至S45的处 理。
[0082] [HMM+RVM的详细描述]
[0083] 接下来，在本实施例中，将详细地描述用作用于学习装置功耗的变化的学习模型 的HMM+画。
[0084] 首先，将描述HMM的一般概率模型。图6示出HMM的图形模型。
[0085] 隐变量St以及观测数据Xt和Yt的联合概率由下面的公式（1)表示，其中观测 时间系列功耗数据由Y = (Y1, Y2, Y3,...，Yt，...，Υτ}表示，观测时间系列日志数据由X = (X1, X2, X3,...，Xt，...，Χτ}表示，并且与可能的背面装置的隐状态对应的隐变量的时间系列 数据由 S = (S1, S2, S3, · · ·，St, · · ·，ST}表示。
[0086] [数学式1]
【权利要求】
1. 一种信息处理器，包括： 获取单元，被构造为获取目的时间系列数据和多个说明时间系列数据，所述目的时间 系列数据是与要估计的目的变量对应的时间系列数据，所述多个说明时间系列数据是与用 于说明所述目的变量的多个说明变量对应的时间系列数据； 学习单元，被构造为使用获取的目的时间系列数据和所述多个说明时间系列数据来学 习概率模型的参数； 选择单元，被构造为基于已通过所述学习获得的概率模型的参数，选择与要由获取单 元获取的说明时间系列数据对应的说明变量；和 估计单元，被构造为基于选择单元的选择结果，使用已由获取单元获取的所述多个说 明时间系列数据估计所述目的变量的值。
2. 如权利要求1所述的信息处理器，其中所述学习单元使用隐马尔可夫模型学习所述 目的变量和所述多个说明变量之间的关系。
3. 如权利要求2所述的信息处理器，其中所述目的变量由具有与隐马尔可夫模型的隐 状态一一对应的线性回归系数和所述说明变量的线性回归模型表示。
4. 如权利要求3所述的信息处理器，其中所述选择单元选择具有小于预定阈值的线性 回归系数的说明变量，作为获取单元不获取时间系列数据的说明变量。
5. -种信息处理器的信息处理方法，包括： 获取目的时间系列数据和多个说明时间系列数据，所述目的时间系列数据是与要估计 的目的变量对应的时间系列数据，所述多个说明时间系列数据是与用于说明所述目的变量 的多个说明变量对应的时间系列数据； 使用获取的目的时间系列数据和所述多个说明时间系列数据学习概率模型的参数； 基于已通过所述学习获得的概率模型的参数，选择与要获取的说明时间系列数据对应 的说明变量；以及 基于选择结果使用已获取的所述多个说明时间系列数据估计目的变量的值。
6. -种程序，用于使计算机用作： 获取单元，被构造为获取目的时间系列数据和多个说明时间系列数据，所述目的时间 系列数据是与要估计的目的变量对应的时间系列数据，所述多个说明时间系列数据是与用 于说明所述目的变量的多个说明变量对应的时间系列数据； 学习单元，被构造为使用获取的目的时间系列数据和多个说明时间系列数据学习概率 模型的参数； 选择单元，被构造为基于已通过所述学习获得的概率模型的参数，选择与要由获取单 元获取的说明时间系列数据对应的说明变量；和 估计单元，被构造为基于选择单元的选择结果，使用已由获取单元获取的所述多个说 明时间系列数据估计所述目的变量的值。
【文档编号】G06N5/04GK104364805SQ201380029697
【公开日】2015年2月18日 申请日期:2013年6月5日 优先权日:2012年6月13日
【发明者】渡边有祐, 伊藤真人, 田森正纮 申请人:索尼公司