一种基于AI预测的智能终端节能方法和设备与流程

本申请涉及人工智能技术领域，特别涉及一种基于ai预测的智能终端节能方法和设备。

背景技术：

随着以智能手机、平板电脑为首的智能终端的使用日益频繁，功耗问题也日益突出。降低终端的功耗，延长电池的使用时间，对于提高用户体验，有着非常重要的意义。

目前，智能终端上的应用程序(app)数量巨大，质量参差不齐，通常情况下智能终端很大部分的功耗都消耗在app上面。app的功耗分为前台和后台两部分：前台负责直接与用户交互，后台则运行各种服务等。部分app后台活动频繁，很多情况下完全没有必要，但却浪费了大量的功耗，缩短了电池使用时间。同时，很多app的更新也很频繁，部分版本会在前台使用的时候出现功耗明显增高的异常情况。

因此，如何在智能终端上实现节能降功耗，同时不影响用户体验，有着非常重要的意义。

技术实现要素：

本申请提供了一种基于ai预测的智能终端节能方法和设备，以降低便携式智能终端上应用程序的功耗，延长电池使用时间，同时不影响用户体验。

本申请公开了一种基于人工智能ai预测的智能终端节能方法，包括：

采集智能终端上应用程序app相关的运行数据；

对所采集的app相关的运行数据进行ai分析，预测对后台app进行限制的时机和限制措施；

在预测的时机采取对应的限制措施对后台app进行限制。

较佳的，该方法还包括：

确定并记录app在前台运行时的cpu/ddr/gpu最佳频点；

当前台app功耗异常时，按照记录的最佳频点对cpu/ddr/gpu的频点进行设置或者提示用户升级所述app。

较佳的，所述预测对后台app进行限制的时机和限制措施包括：

根据用户对所述app的使用习惯以及当前场景特征对所述app未来的使用频率进行预测分类，并根据分类的结果采取对应的限制措施限制后台app的功耗。

较佳的，所述对app未来的使用频率进行预测分类包括：

根据用户对所述app的使用习惯以及当前场景特征，预测用户下次再次在前台使用所述app的时间t；

如果t>t1，则将该app归类为class1，表示未来很少使用；

否则，如果t>t2，则将该app归类为class2，表示未来较少使用；

否则，如果t>t3，则将该app归类为class3，表示未来正常使用；

否则，将该app归类为class4，表示未来经常使用；

其中，t1、t2、t3为设定的时间标准，t1>t2>t3>0。

较佳的，所述根据分类的结果采取对应的限制措施限制后台app的功耗包括：

对于class1的app，确定其对应的后台限制措施为迅速冻结；

对于class2的app，确定其对应的后台限制措施为经过时间t1后冻结；

对于class3的app，确定其对应的后台限制措施为经过时间t1+t2后冻结；

对于class4的app，确定其对应的后台限制措施为不冻结；

其中，t1、t2为设定的时间。

较佳的，所述app相关的运行数据包括：app运行时系统状态变化信息和app功耗数据信息，其中：

系统状态变化信息包括并不限于：网络状态变化、蓝牙状态变化、gps状态变化、位置信息变化、cpu/ddr/gpu频点；

app功耗数据信息包括并不限于：前台功耗、后台功耗、前台运行次数、后台运行次数、前台运行时间、后台运行时间。

本申请还公开了一种基于人工智能ai预测的智能终端节能设备，包括：数据采集模块、数据分析模块、决策执行模块，其中：

所述数据采集模块，用于智能终端上app相关的运行数据；

所述数据分析模块，用于对所述数据采集模块所采集的app相关的运行数据进行ai分析，预测对后台app进行限制的时机和限制措施，并向所述决策执行模块发送相应的命令；

所述决策执行模块，用于根据接收字数据分析模块的命令，在预测的时机采取对应的限制措施对后台app进行限制。

较佳的，所述数据分析模块还用于：

确定并记录app在前台运行时的cpu/ddr/gpu最佳频点；

当前台app功耗异常时，按照记录的最佳频点对cpu/ddr/gpu的频点通知所述决策执行模块进行设置或者提示用户升级所述app。

较佳的，所述数据分析模块还用于：

根据用户对所述app的使用习惯以及当前场景特征对所述app未来的使用频率进行预测分类，并根据分类的结果采取对应的限制措施限制后台app的功耗。

较佳的，所述数据分析模块还用于：

根据用户对所述app的使用习惯以及当前场景特征，预测用户下次再次在前台使用所述app的时间t；

如果t>t1，则将该app归类为class1，表示未来很少使用；

否则，如果t>t2，则将该app归类为class2，表示未来较少使用；

否则，如果t>t3，则将该app归类为class3，表示未来正常使用；

否则，将该app归类为class4，表示未来经常使用；

其中，t1、t2、t3为设定的时间标准，t1>t2>t3>0。

较佳的，所述数据分析模块还用于：

对于class1的app，确定其对应的后台限制措施为迅速冻结；

对于class2的app，确定其对应的后台限制措施为经过时间t1后冻结；

对于class3的app，确定其对应的后台限制措施为经过时间t1+t2后冻结；

对于class4的app，确定其对应的后台限制措施为不冻结；

其中，t1、t2为设定的时间。

较佳的，所述app相关的运行数据包括：app运行时系统状态变化信息和app功耗数据信息，其中：

系统状态变化信息包括并不限于：网络状态变化、蓝牙状态变化、gps状态变化、位置信息变化、cpu/ddr/gpu频点；

app功耗数据信息包括并不限于：前台功耗、后台功耗、前台运行次数、后台运行次数、前台运行时间、后台运行时间。

由上述技术方案可见，本发明提供了一种基于ai预测的智能终端节能方法和设备，通过ai技术对智能终端上用户运行各应用程序(app)的特征进行学习，对各app的使用频率进行分类，并预测app在前后台的运行时间。对于一些不常使用或近期将不会使用，并在后台运行的app，直接限制该app在后台的运行；对于前台app出现功耗异常的，限制其资源使用，以达到节能降功耗目的。本发明能够同时降低app前台和后台的功耗，延长电池使用时间。

附图说明

图1为本发明基于ai预测的智能终端节能设备的组成结构示意图；

图2为本发明基于ai预测的智能终端节能方法的流程示意图；

图3为本发明ai预测的原理示意图；

图4为本发明对app再次前台运行时间的ai预测分类示意图；

图5为本发明ai预测分类与后台限制措施的对应关系示意图。

具体实施方式

为使本申请的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本申请作进一步详细说明。

在实际应用场景中，很多app在用户未知的情况下运行在智能终端后台，白白地消耗电能，而限制这些后台app，对用户体验并不会产生影响。基于上述分析，本发明提出：通过有效地限制后台app的非必要活动，并限制前台app的异常耗电情况，来实现节能降功耗，延长电池使用时间，同时不影响用户体验。

人工智能(ai)技术目前发展非常火热，本发明主要利用ai技术在智能终端上实现节能。具体而言，本发明提供了一种基于ai预测的智能终端节能方法和设备，通过ai技术对用户的智能终端使用习惯进行记录学习得到ai预测模块，并通过该ai预测模型基于智能终端当前的场景模式判断对智能终端前后台运行的app进行限制是否会影响用户体验，在不影响用户体验的情况下，对前后台运行的app采取对应的限制措施，从而达到降低功耗的目的。

本发明提供的基于ai预测的智能终端节能设备的组成结构如图1所示，包括：数据采集模块、数据分析模块和决策执行模块。下面结合本发明图2所示基于ai预测的智能终端节能方法的流程示意图，对本发明智能终端节能设备中各模块的功能及操作进行说明。

一、数据采集模块，负责采集智能终端上app相关的运行数据。

需要采集的数据包含：app运行时系统状态变化信息和app功耗数据信息，其中：

系统状态变化信息包括并不限于：网络状态变化、蓝牙状态变化、gps状态变化、位置信息变化、cpu/ddr/gpu频点等；

app功耗数据信息包括并不限于：前台功耗、后台功耗、前台运行次数、后台运行次数、前台运行时间、后台运行时间等。

以上所采集的数据发送给数据分析模块，采用ai进行分析，从而确定app运行的特征。

二、数据分析模块，负责对数据采集模块所采集到的app相关的运行数据进行ai分析和预测。

如图3所示，本发明ai预测的原理在于：通过对数据采集模块所采集的用户使用智能终端的历史数据进行ai训练学习，构建ai预测模型；得到ai预测模型后，将数据采集模块所采集的新数据输入ai预测模型，自动预测出未来的未知属性。

对于运行在前台的app：ai预测模型主要通过分析app运行时的系统状态变化特征和app自身的行为特征，确定app在前台运行的功耗是否异常，并确定app前台运行的cpu/ddr/gpu最佳频点，然后将分析结果更新到数据库。在app功耗明显高于以前版本时，通知决策执行模块设置cpu/ddr/gpu的最佳频点。

对于运行在后台的app：ai预测模型主要根据app的使用习惯以及当前场景特征对后台app未来的使用频率进行预测分类，并根据分类的结果限制后台app的功耗。具体而言，对后台app未来的使用频率进行预测分类的方式为：根据app的使用习惯以及当前场景特征，预测用户下次再次在前台使用该app的时间t(以下称为“app再次前台时间”)，然后根据设定的时间标准对该app未来的使用频率进行预测分类，如图4所示：

如果app再次前台时间t>t1，则将该app归类为class1，表示未来很少使用；

否则，如果app再次前台时间t>t2，则将该app归类为class2，表示未来较少使用；

否则，如果app再次前台时间t>t3，则将该app归类为class3，表示未来正常使用；

否则，将该app归类为class4，表示未来经常使用。

其中，t1、t2、t3为设定的时间标准，t1>t2>t3>0。

在上述使用频率分类的基础上，可以对不同的类别执行不同的限制策略，确定当前app在后台运行时，从什么时间开始限制该app将不影响用户体验。同时，还可以对app的不同版本进行功耗对比，发现是否有功耗异常的版本。

对应于上述四种ai预测分类，本发明对其分别采取不同的后台限制措施，如图5所示为本发明ai预测分类与后台限制措施的对应关系示意图：

对于class1：未来很少使用，其对应的后台限制措施为迅速冻结；

对于class2：未来较少使用，其对应的后台限制措施为经过时间t1后冻结；

对于class3：未来正常使用，其对应的后台限制措施为经过时间t1+t2后冻结；

对于class4：未来经常使用，对应的后台限制措施为不冻结；

其中，t1、t2为设定的时间。

确定后台限制措施后，数据分析模块在对应的时间向决策执行模块发送对应的限制命令。

三、决策执行模块，负责ai分析结果的决策执行。

如数据分析模块部分所述，ai预测模型根据当前运行场景特点，对后台app进行分析后，确定限制某app是否会影响用户体验：如果不影响，则预测何时向决策执行模块发送限制命令，并根据预测结果，向决策执行模块发送对应的限制命令；决策执行模块收到限制命令后，限制对应的app，根据命令不同，限制措施可以包含但不限于：杀死、冻结、限制cpuset(大小核)、限制cpu/ddr/gpu频率、限制内存使用量等。

对于后台运行的app，首先根据ai预测模型对于该app的使用频率分类来选择策略，具体如图5所示：

对于使用频率很少的app(例如class1)，执行冻结(即：杀死进程)操作；

对于使用频率高的app(例如class4)，不进行限制；

对于除上述两种情况外的app(即：使用频率一般的app，例如class2和class3)，执行冻结操作。

其次，对于选择执行冻结操作的后台app，在ai预测的等待时间到达时，进行冻结。

对于前台运行的app，如果数据分析模块通过分析发现当前版本的app存在功耗异常问题，则向决策执行模块发送命令，决策执行模块提示用户升级该app，同时报告给大数据中心，通知app方进行修复；当该app在前台运行时，根据具体场景，将cpu/ddr/gpu的频点分别设置为对应场景下的最佳频点。

执行以上前后台app的资源限制措施以后，由于app所消耗的资源得到限制，因此可以有效地降低app前台后台的功耗，延长电池使用时间，达到节能的目的。

下面通过三个较佳实施例对本申请方案进行进一步说明：

实施例一：

假设用户新安装了某app1，平日只是偶尔使用，然后就退到后台。实际上，app1在后台仍然在长时间运行，白白浪费电能。

数据采集模块对app1的运行特征数据值进行记录，交由数据分析模块进行分析后发现，app1在后台的功耗较高，但用户并没有使用该app，因此，可以立即对该app采取冻结措施。基于该分析结果，数据分析模块发送限制命令给决策执行模块，由决策执行模块立即冻结在后台执行的app1，从而有效降低了功耗，体现了本发明方案的节能优势。

实施例二：

假设用户的终端升级了操作系统(os)以后，发现终端发热比以前高，电池消耗明显加快，但不知道具体原因，认为可能是终端os做得不好。

本发明的数据采集模块记录了os升级前后app2的后台功耗平均值，发送给数据分析模块。数据分析模块进行ai学习分析时发现：os升级后，app2的平均后台功耗明显高与升级前，因而判定该版本的软件在新的os上功耗异常。数据分析模块发送命令给决策执行模块，决策执行模块通知用户升级app2，用户对app2进行升级以后，发热异常的问题消失，电池功耗恢复正常。

实施例三：

用户在夜间休眠后，不再关注手机普通的app运行，如push、导航、购物等常用app，故可以通过限制手机上app的运行来省电，同时关闭蓝牙、gps、呼吸灯等外设，进一步达到省电的目的。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。