专利名称：移动装置的省电系统与方法
技术领域：
本发明涉及一种移动装置，且特别是涉及一种移动装置的省电系统与方法。
背景技术：
蜂窝式移动电话系统包含了由多个与众多移动电台或移动电话通信的 基站组成的网络，每一个基地或涵盖了一个特定的地理区域或小区。该系统 包括了尽量使最邻近的基站被用来与每一个移动电话通信的手段，因而减少 在移动电话中所需要的发射机动率。当移动电话开机后，必须搜寻目前所处环境的最佳基站，以取得系统认 证及注册。当移动电话注册完成后进入待机模式，即可在属于注册基站的联 机范围内通过注册基站而进行联机以传送或接收数据。为了使移动电话能够 长时间随时地维持在待命状态，当移动电话进入待机模式时，会启动一休眠 机制使其降低功率消耗以减少电力消耗。然而，移动电话若频繁地在高功率 (通话模式或非待机模式)与低功率(待机模式)之间切换时，亦可能造成 大量电力的消耗。也就是说，不同使用者的通话行为与电力消耗程度有高度 相关。不同的移动电话使用者通常会有个人独特且规律的行为模式，因此，本 发明便是利用这种特点，提出了一种移动装置的省电与方法。该方法使用了 类神经网络，能让移动电话根据使用者的行为来自动学习，以预测未来使用 者的行为，作为设计省电方法的依据。发明内容基于所述目的，本发明实施例披露了一种移动装置的省电方法。随机产 生多个样本，计算每一样本的行为向量，并且利用所述样本与对应的行为向 量训练一类神经网络系统。收集多个使用者事件，利用一加权转换函数转换 所述使用者事件为多个行为样本，根据相似度对所述行为样本分类并且取得样本数量最多的一组行为样本，计算该组行为样本的行为向量，并且根据所 述行为样本与对应的行为向量训练所述类神经网络系统。本发明实施例还披露了 一种移动装置的省电系统。该系统包括一预测模 块、 一样本产生模块、 一评估模块、 一事件收集模块、 一加权转换模块以及 一训练模块。该样本产生模块随机产生多个样本。该评估模块计算每一样本 的行为向量。该事件收集模块收集多个使用者事件。该加权转换模块转换所 述使用者事件为多个行为样本，并且根据相似度对所述行为样本分类并且取 得样本数量最多的一组行为样本。该训练模块自所述评估模块取得所述样本 与对应的行为向量训练一类神经网络系统，以及自所述加权转换模块取得所 述行为样本与对应的行为向量训练所述类神经网络系统。
图1示出了本发明实施例的产生加权事件向量的示意图。 图2示出了本发明实施例的省电方法的步骤流程图。 图3示出了本发明实施例的省电系统的架构示意图。附图符号说明310 样本产生模块 320 ~评估模块 330 -事件收集模块 340 ~加权转换模块 350 ~训练模块 360~预测模块具体实施方式
为了使本发明的目的、特征、及优点能更明显易懂，下文特举较佳实施 例，并结合附图l至3做详细的说明。本发明说明书提供不同的实施例来说 明本发明不同实施方式的技术特征。其中，实施例中的各组件的配置为说明 之用，并非用以限制本发明。且实施例中附图标号的部分重复，为了简化说 明，并非意指不同实施例之间的关联性。本发明实施例^1露了 一种移动装置的省电系统与方法，其利用类神经网
络让移动电话根据使用者的行为来自动学习，以预测未来使用者的行为，作 为设计省电方法的依据。类神经网络(Neural Network)是一种利用大量人工神经元仿真生物神 经元学习的行为的技术，其广泛的被应用在样本分类，辨识，预测，数据压 缩等领域。利用一可自动学习使用者行为的类神经网络系统，可预测未来使 用者行为以作为移动电话省电方法使用依据，从而达到省电的目的。本发明的省电方法的实施流程分为三个阶段。首先，随机产生样本并利 用评估函数训练类神经网络系统，以缩短将来利用实际样本训练时的学习时 间。其次，收集使用者的样本并予以分类，找出拥有最多样本的类型，来代 表使用者使用移动电话的主要行为模式，并利用该类型所有的样本来训练出 个人化的类神经网络系统。最后，根据最新的样本，利用类神经网络来预测 使用者未来的行为模式，并以此来动态调整各省电方法的参数。假设使用者的作息有一定规律，则代表使用者用电话亦有一定的规律， 在这个原则下，本发明实施例量化使用者在各时段使用移动电话的程度，在 不影响移动电话基本功能的前提下，在使用率偏低的时段对于电力使用予以 最佳化。图1示出了本发明实施例的产生加权事件向量的示意图。 本发明实施例将移动电话的使用行为视为多个与时间相关的事件(步骤 101),每个事件均发生在某一个选定的时段(步骤102)内(1时、2时、... 或24时)。举例来说，使用者在上午三时打电话可视为一个事件，在下午 五时完全没有使用移动电话可视为一个事件，或是下午六时移动电话有来电 亦可视为一个事件。每隔一段时间将各时段事件加以统计而成为一综合事件 向量(步骤l03),经过用以调整各事件重要性加权因子的一加权转换函数 (步骤104)处理后，输出一加权事件向量(步骤105)。该加权事件向量 中的个别元素代表了某一时间的某一事件发生的权重。每个加权事件向量被 视为 一个样本，其用以表示使用者在某一时间间隔内的使用行为。 图2示出了本发明实施例的省电方法的步骤流程图。如前文所述，本发明的省电方法的实施流程分为三个阶^a。为了能快速训练出一个能合理预测的网络系统，在第一阶段中，本发明实施例会先随机 产生大量样本(步骤201),接着利用一评估公式来计算每一样本的「用户 行为向量」(步骤202),其中该向量中的各元素分别代表某个时段的移动 电话的使用程度(即权重)，其用以代表使用者的其中一行为模式。由于使 用者的「用户行为向量」是通过该评估函数计算而得，而评估函数的设计与 真实状况无法完全吻合，故计算结果会有一定误差。因此，本发明实施例必 须先利用计算所得结果(即取得的样本与对应的行为向量)来训练一类神经网络(步骤203 )，以期之后可求出较精确的用户行为向量。经过训练后， 该类神经网络已拥有基本的预测能力。在第二阶段中，本发明实施例欲通过使用者行为的历史样本，训练出一 个人化的类神经网络系统，其包括下列步骤。首先，收集使用者信息。将使 用者使用移动电话期间所发生的事件，每间隔一段时间记录下来(步骤204 )。 利用事件加权转换函数处理使用者事件以产生样本(步骤205 ),依此方法 先收集一定数量的样本。接着，取出相关性比较高的样本。收集到的样本理 论上会有许多相似的处，本发明实施例根据相似度予以分类来找出数量最多 的一组样本(步骤206),拥有最多样本的类别即可代表使用者的主要使用 行为。最后要训练类神经网络系统。取出拥有最多样本的类別，先利用评估 函数算出各样本的用户行为向量(步骤207)，再将样本与对应的用户行为 向量一笔笔丟入类神经网络系统来训练(步骤208)。判断类神经网络系统 的训练结果是否合乎预期(步骤209)。当系统稳定时(即训练完成)，输 入类别中样本的中位数，此时将所得输出结果作为使用者「当前用户行为向 量J ,该向量中的个别元素分别代表了使用者在各时段内的使用权重因子。 r当前用户行为向量」代表了类神经网络系统对于该使用者标准行为的认 定，而成为未来预测结果比较的标准。如果类神经网络系统一直无法稳定收 敛(converge),则尝试收集更多样本并重复步骤204 ~ 208。当完成第二阶段的训练后，该类神经网络系统已具备预测使用者行为的 能力。但使用者行为会随时间改变，这种改变有可能是渐进的，也可能是突 发的。为了能让系统能适应这种改变，本发明实施例在第三阶段另外设计了 一个学习规则来满足需求。收集某一时间间隔内的使用者事件(步骤210),然后利用加权转换函 数产生样本(步骤211),并且将样本输入类神经网络系统以预测使用者行 为(步骤212)。接着判断类神经网络系统的预测结果是否合乎预期(步骤 213)。在每一次预测后，如果类神经网络系统发现少许预测出的行为模式 向量与r当前行为模式向量」有较大差距时，则必须要对「当前行为才莫式向
量J做细微的调整(步骤214 ),然后再回到步骤210继续收集某一时间间隔内的使用者事件。如果连续发现预测结果差距过大的状况，则回到第二阶 段重新收集样本来训练类神经网络系统。经过所述三个阶段训练后的类神经网络系统，只要知道最近一次时间间 隔内所发生的事件，便能预测出下个时间间隔内各时段移动电话的使用权 重。根据该权重可以动态调整一些与电力消耗相关的参数，例如，省电模式切换的等待时间，或是省电模式中移动电话苏醒(wake up)之间隔时间，以达成省电的目的。图3示出了本发明实施例的省电系统的架构示意图。 本发明实施例的省电系统包括一样本产生模块310、 一评估模块320、一事件收集模块330、 一加权转换模块340、 一训练模块350以及一预测模块360。在第一阶段中，样本产生模块310先随机产生大量样本，评估模块320 计算每一样本的「用户行为向量」，训练模块350自样本产生模块310与评 估模块320取得样本与对应的用户行为向量以用来训练类神经网络系统。在第二阶段中，事件收集模块330将使用者使用移动电话期间所发生的 事件，每间隔一段时间记录下来，加权转换模块340处理使用者事件以产生 样本，并且根据相似度予以分类来找出数量最多的一组样本。接着，评估模 块320算出各样本的用户行为向量。训练模块350自加权转换模块340与评 估模块320取得样本与对应的用户行为向量以训练类神经网络系统，判断该 类神经网络系统的训练结果是否为收敛状态。若是，则输入样本的中位数， 并且将所得输出结果作为使用者的「当前用户行为向量」。若不，则收集更 多样本并重复前述流程。在第三阶段中，事件收集模块330收集某一时间间隔内的使用者事件。 加权转换模块340根据使用者事件产生样本。预测模块360自加权转换模块 340取得样本以利用类神经网络系统预测使用者行为，并且判断类神经网络 系统的预测结果是否合乎预期。若发现少许预测出的行为模式向量与「当前 行为模式向量」有较大差距时，则必须要对「当前行为模式向量」做细微的 调整。若连续发现预测结果差距过大的状况，则重新收集样本来训练类神经 网络系统。接下来以一范例说明本发明实施例的事件转换的实施细节。
4夺4吏用者一天的4吏用4亍为分成四个区间，即0: 00~6: 00、 6: 00~12: 00、 12: 00~18: 00以及18: 00 ~ 0: 00。名欠预测的事件包括r接收电话J 、r打电话」以及「该时段完全不使用电话J 。利用二元表示法来表达可能发 生的单一事件，贝'j 0: 00 ~ 6: 00、 6以r 1000 J表示，6: 00- 12: 00以r 0100」 表示，12: 00— 18: 00以「OOIOJ表示，18: 00~0: 00以「0001」表示，r接收电话事件」以「 100」表示，「打电话事件」以「010」表示，r闲置 事件」以「001」表示。举例来说，发生在6: 00~12: 00的打电话事件为r 0100 010」，而发生在18: 00 ~ 0: OO的电话闲置事件为r 0001 001」， 即前面四码表示时段，后面三码表示事件。统计各时段事件后，将统计结果以一r综合事件向量』来表达。举例来 说，「 0001 250」表示在18: 00-0: OO接了两通电话，打了五通电话。本发明利用一事件转换函数来转换综合事件向量，原因在于发生事件的 数量其实不具有太大的意义，而应得到时段内用户对移动电话的r使用程 度」，因此需要去评估各事件的重要性与数量对重要性的影响。举例来说，在某一时段内接到十次或是一百次电话，已可视为使用程度 极高，则数量的差已不太有意义，故应调整该事件的重要性权值。如前文所述，将使用者一天的使用行为分成四个区间，则在各区间内的 r综合事件向量』分别表示如下。0: 00~6: OO区间的r综合事件向量」为r 1000 001」， 6: 00- 12: 00区间的「综合事件向量」为r 0100 110 J , 12: 00~18: OO区间的r综合事件向量」为「 0010 210」， 18: 00~24: OO区间的r综合事件向量J为r 0001 130 J 。 本发明实施例的事件转换函数表示为f ( x, y, z ) = ( X*0.3 + Y*0.2 + ( - 1 "Z) /5 (假设各事件数量< 5 )， 其中X为接收电话事件，Y表电话事件，Z表闲置事件。则根据所述各 区间的r综合事件向量」可得到下列函数计算结杲。 f (O，O，l) = ( -0.2), f ( 1, l，O) =0.1, f (2， 1,0) =0.16， f(1,3，0) =0.18。因此，(-0.2， 0.1， 0.16， 0.18)即为图1中输出的一日加权事件向量，
也就是本发明的类神经网络系统中要输入的冲羊本。类神经网络系统利用人工神经元来负责运算，可以想象成其神经元间连 结的强度其实就可以看成是一个个参数，类神经网络系统训练的过程会不断 改变这些参数，其步骤包括(l)给定样本，目标向量与一组系统初始权重因子， (2)输入样本，(3)系统内部运算运算，(4)输出结果，以及("根据结果与目标 向量调整系统内部权重因子。类神经的学习机制主要是由步骤(5)来完成，如果输出结果与目标向量差 异过大，表示准确率不足，则需要调整系统中的权重因子，并重复前面步骤， 直到所有的输出都与目标向量差异在可接受范围内，此时系统就稳定了， 一 般称为收敛状态。以下说明类神经技术何应用于本发明的范例。在第一阶段中，利用随机数、基因算法、或者设计一公式产生大量样本。 接着利用 一评估函数对各样本作评分，然后将所得样本输入类神经网络系统 并利用先前计算所得的评分来训练该类神经网络系统。在第二阶段中，假设有一类样本包括五个样本，其表示如下，Sl= 〔0.5, 0.5, 0.5， 0〕， S2= 〔0.49， 0.49， 0.49,0〕， S3= 〔0.51,0.51,0.51,0〕， S4= 〔0.52,0.48, 0.52,0〕， S5= 〔0.48, 0.52, 0.48， 0〕，其中，每一样本内的数字代表某一事件的权重，故以SI来说，其包括 了四个事件，而每一事件的权重分别为0.5、 0.5、 0.5与0。用户评估函数为 g (x),则分别可得户评估值为g (SI) 、 g (S2) 、 g (S3) 、 (S4)与g (S5)。将这五笔样本丟入类神经网络系统，并以其对应评估值为目标来训 练类神经网络系统，其可表示为{Ain (样本输入)—〔评估函数〕—Aeval (评估值)}; {Ain (样本输入)—〔类神经网络系统〕—Aout (训练结果)}。 比较Aeval与Aout差异，并视情形修改类神经网络系统中的参数。 当系统稳定后，找出中位数〔0.5,0.5，0.5，0〕，并将的输入已经稳定的 类神经网络系统，并计算出结果。因为系统已稳定，该类样本中的中位数为 最具代表性的，故此时所求出的结果最可代表用户行为，根据该结果所得的
向量称为r当前用户行为向量(Fin) J 。在第三阶段中，每收集一个样本就直接送入类神经网络系统(即每过一 时间间隔，就更新一次信息)，并将系统预测的结果与上次所得的f当前用 户4亍为向量(Fin )」相比较，以4f到 一比净交^直v。另外设定一期望值a与一阈值b。期望值a定义两行为向量间的相似程 度，若大于此值，表示两向量极相似。阈值b定义两行为向量间的相似程度， 若小于此值，则认为两向量相异。期望值a与阈值b可视不同案例而设为不 同值。在本发明实施例中，期望值a-0.2,阈值b-O.l。a〈v〈l表示符合预期，则类神经网络系统不做任何变动，但对于两比 较向量中的个别向量需做检测与微调。b < v < a表示大于阈值且小于期望值，则启动类神经网络系统预设的学 习机制，调整类神经网络系统中的权重因子。0〈v〈b表示小于阈值，则重设类神经网络系统，重新收集样本，回到 第二阶段。举例来说，当「当前用户行为向量(Fin)」=〔0.6， 0,8， 0.5,0〕，预测 结果(B) = 〔 0.6， 0.5， 0.55， 0〕，就第二事件的权重而言，v = 0.8 - 0.5 = 0.3 〉0.2,故可得到a〈v〈1。由此可知，总体差异在预期范围内，但个别事件 权重差距太大，故仍需要作微调动作。本发明实施例利用一微调公式进行调 整，但其并不限于本发明，任何可用以微调的公式或函数皆可使用的，该公 式表示为f ( x) = Wold + (Wnew — Wold) * ( Single-element-diff / Total diff) (1/element num ),将数字代入该公式后可得0.8 - (0.8 — 0.5 ) * (0.3/0.25 ) * ( 1/4) =0.8-0.09 = 0.71。 因此，新的当前用户行为向量为Fin，- 〔0.6, 0.71, 0.5， 0〕。 本发明实施例的省电方法利用类神经网络让移动电话根据使用者的行为来自动学习，以预测未来使用者的行为，进而达到省电的目的。虽然本发明已以较佳实施例披露如上，然其并非用以限定本发明，本领域的技术人员在不脱离本发明的精神和范围的前提下可作各种的更动与润饰，因此本发明的保护范围以本发明的权利要求为准。
权利要求
1.一种移动装置的省电方法，包括下列步骤随机产生多个样本；计算每一样本的行为向量；利用所述样本与对应的行为向量训练一类神经网络系统；收集多个使用者事件；利用一加权转换函数转换所述使用者事件为多个行为样本；根据相似度对所述行为样本分类并且取得样本数量最多的一组行为样本；计算该组行为样本的行为向量；以及根据所述行为样本与对应的行为向量训练所述类神经网络系统。
2. 如权利要求1所述的省电方法，其还包括下列步骤 判断所述类神经网络系统的训练结果是否为收敛状态；若为收敛状态，则输入该组行为类别中的行为样本的中位数至所述类神 经网络系统，并且将所得输出结果作为一当前用户行为向量；以及若非为收敛状态，则收集更多行为样本以训练所述类神经网络系统。
3. 如权利要求2所述的省电方法，其中，所述当前用户行为向量具有多 个元素，其分别代表了使用者在不同时段内的使用权重因子。
4. 如权利要求1所述的省电方法，其还包括下列步骤 收集一时间间隔内的使用者事件；利用所述加权转换函数转换所述使用者事件为多个行为样本；以及 将所述行为样本输入所述类神经网络系统以预测使用者行为。
5. 如权利要求4所述的省电方法，其还包括下列步骤 判断预测结果是否合乎预期；若所述类神经网络系统发现少许预测出的行为模式向量与所述当前行 为模式向量有较大差距时，则对所述当前行为模式向量做细微的调整；以及若连续发现预测结果差距过大的状况，则重新收集行为样本来训练所述 类神经网络系统。
6. 如权利要求1所述的省电方法，其中，每一行为向量中具有多个对应 使用者行为的权重因子。
7. —种移动装置的省电系统，包括 一预测模块；一样本产生模块，其用以随机产生多个样本；一评估模块，耦接于所述样本产生模块，其用以计算每一样本的行为向量；一事件收集模块，其用以收集多个使用者事件；一加权转换模块，耦接于所述事件收集模块，其用以转换所述使用者事 件为多个行为样本，并且根据相似度对所述行为样本分类并且取得样本数量 最多的一组行为样本；以及一训练冲莫块，耦接于所述评估模块与所述加权转换模块，其用以自所述 评估模块取得所述样本与对应的行为向量训练一类神经网络系统，以及自所 述加权转换模块取得所述行为样本与对应的行为向量训练所述类神经网络 系统。
8. 如权利要求7所述的省电系统，其中，所述训练模块判断所述类神经 网络系统的训练结果是否为收敛状态，若为收敛状态，则输入该组行为类别 中的行为样本的中位数至所述类神经网络系统，并且将所得输出结果作为一 当前用户行为向量，否则收集更多行为样本以训练所述类神经网络系统。
9. 如权利要求8所述的省电系统，其中，所述当前用户行为向量具有多 个元素，其分别代表了使用者在不同时段内的使用权重因子。
10. 如权利要求7所述的省电系统，其中，所述样本产生模块收集某一时 间间隔内的使用者事件，所述加权转换模块转换所述使用者事件为多个行为 样本，所述训练模块取得所述行为样本以训练所述类神经网络系统，以及所 述预测模块才艮据训练结果预测使用者行为。
11. 如权利要求IO所述的省电系统，其中，所述预测模块判断预测结果 是否合乎预期，若所述类神经网络系统发现少许预测出的行为模式向量与所 述当前行为模式向量有较大差距时，则对所述当前行为模式向量做细微的调 整，以及若连续发现预测结果差距过大的状况，则重新收集行为样本来训练 所述类神经网络系统。
12. 如权利要求7所述的省电系统，其中，每一行为向量中具有多个对应 使用者行为的权重因子。
13. —种存储介质，用以存储一计算机程序，所述计算机程序包括多程序代码，其用以加载至一计算机系统中并且使得所述计算机系统执行一种省电 方法，包括下列步骤随机产生多个样本；计算每一样本的行为向量；利用所述样本与对应的行为向量训练一类神经网络系统； 收集多个使用者事件；利用 一加权转换函数转换所述^f吏用者事件为多个行为样本； 根据相似度对所述行为样本分类并且取得样本数量最多的一组行为样本；计算该组行为样本的行为向量；以及根据所述行为样本与对应的行为向量训练所述类神经网络系统。
14. 如权利要求13所述的存储介质，其还包括下列步骤 判断所述类神经网络系统的训练结果是否为收敛状态；若为收敛状态，则输入该组行为类别中的行为样本的中位数至所述类神 经网络系统，并且将所得输出结果作为一当前用户行为向量；以及若非为收敛状态，则收集更多行为样本以训练所述类神经网络系统。
15. 如权利要求14所述的存储介质，其中，所述当前用户行为向量具有 多个元素，其分别代表了使用者在不同时段内的使用权重因子。
16. 如权利要求13所述的存储介质，其还包括下列步骤 收集某一时间间隔内的使用者事件；利用所述加权转换函数转换所述使用者事件为多个行为样本；以及 将所述行为样本输入所述类神经网络系统以预测使用者行为。
17. 如权利要求16所述的存储介质，其还包括下列步骤 判断预测结果是否合乎预期；若所述类神经网络系统发现少许预测出的行为模式向量与所述当前行 为模式向量有较大差距时，则对所述当前行为模式向量做细微的调整；以及若连续发现预测结果差距过大的状况，则重新收集行为样本来训练所述 类神经网络系统。
18. 如权利要求13所述的存储介质，其中，每一行为向量中具有多个对 应使用者行为的权重因子。
全文摘要
一种移动装置的省电方法。随机产生多个样本，计算每一样本的行为向量，并且利用所述样本与对应的行为向量训练一类神经网络系统。收集多个使用者事件，利用一加权转换函数转换所述使用者事件为多个行为样本，根据相似度对所述行为样本分类并且取得样本数量最多的一组行为样本，计算该组行为样本的行为向量，并且根据所述行为样本与对应的行为向量训练所述类神经网络系统。
文档编号H04W88/02GK101155369SQ20061015932
公开日2008年4月2日 申请日期2006年9月27日 优先权日2006年9月27日
发明者董昱腾 申请人:明基电通股份有限公司