一种移动终端电量运行策略生成方法及其装置与流程

本发明涉及电量控制
技术领域：
，更具体地说，涉及一种移动终端电量运行策略生成方法及其装置。
背景技术：
：在不同移动终端中，其电量运行策略，一般包括省电策略、省电机制或称为省电模式，例如，该模式下通过控制使移动终端在一定时间内没有任何操作的话，会自动进入休眠、待机、cpu等耗电部件降频或断电等等，这样更加长久保持电池的耐久力和使用时间。现有的移动终端中，省电模式的运行方法一般包括两种：第一种方法，为当终端的电量达到一预设阈值时(例如不大于15％的电量)，启动省电模式；第二种方法，为设备上电启动后一直运行省电模式，除非用户自行关闭或调整，否则即为全时运行。其中，第一种方法的问题在于，只会在固定条件下(电量低于15％时)开启,这种机制并不会考虑用户的使用习惯,前85％电量也许在没有限制的情况下快速耗尽,导致用户长时间处于体验很差的省电模式内,最后可能仍然耗尽电池。第二种方法的问题在于，全时运作的省电机制多半会带来体验上的问题,例如:处理器被限制导致性能下降,过于激进的限制导致功能异常等。每个用户的使用习惯不同,不适合以单一机制(参数)适配所有人的操作模式,也许有人固定每6小时就充一次电,根本不需要任何省电机制,过于制式化的省电机制造成该用户的体验变差。总之，现有的省电模式的运行方法存在并不会考虑用户的使用习惯,在达到某一固定值时即强制启动省电模式，或者全时运行省电模式，为用户对于移动终端的使用带来了不便，用户体验差。技术实现要素：有鉴于此，本发明提供一种移动终端电量运行策略生成方法及其装置以解决现有技术的不足。为解决上述问题，本发明提供一种移动终端电量运行策略生成方法，包括：获取移动终端的充电使用习惯数据；根据所述充电使用习惯数据，通过预先训练的充电时间点预测模型，获得所述移动终端对应的下一次充电时间点；根据所述移动终端当前电量，获取系统预估电量耗尽时间点；根据所述下一次充电时间点和所述系统预估电量耗尽时间点生成电量运行策略，以便于根据所述电量运行策略控制所述移动终端的省电模式的运行。优选地，所述“根据所述移动终端当前电量，获取系统预估电量耗尽时间点”之前，还包括：在所述移动终端的电池电量发生改变时，获取所述电池的当前电量变化数据；根据所述当前电量变化数据确定进行所述电量运行策略的更新。优选地，所述“根据所述当前电量变化数据确定进行对所述电量运行策略的更新”包括：判断所述电池的当前电量变化数据是否大于预设电量变化数据；若是，则进行对所述电量运行策略的更新。优选地，所述“根据所述移动终端当前电量，获取系统预估电量耗尽时间点”包括：根据所述移动终端当前电量，计算得出对应的剩余电量；获取所述移动终端的应用耗电统计数据；根据所述剩余电量和所述应用耗电统计数据，计算得出所述系统预估电量耗尽时间点。优选地，所述充电时间点预测模型的获取方法包括：运行深度学习框架；获取所述移动终端的历史用电习惯数据，以及对应的预期标注结果数据；将所述历史用电习惯数据输入至所述深度学习框架进行计算，并基于损耗函数对所述预期标注结果数据与计算结果进行比较，修正所述深度学习框架的计算参数，得到所述充电时间点预测模型。优选地，所述电量运行策略包括普通级别的电量运行策略、危险级别的电量运行策略、警告级别的电量运行策略和断电临界级别的电量运行策略；所述“根据所述下一次充电时间点和所述系统预估电量耗尽时间点生成电量运行策略，以便于根据所述电量运行策略控制所述移动终端的省电模式的运行。”包括：计算所述下一次充电时间点减去所述系统预估电量耗尽时间点的差值，作为当前省电模式评价值；若所述当前省电模式评价值小于0，则生成所述普通模式的电量运行策略；若所述当前省电模式评价值不小于2，则生成所述危险级别的电量运行策略；若所述当前省电模式评价值不小于4，则生成所述警告级别的电量运行策略；若所述当前省电模式评价值不小于6，则生成所述断电临界级别的电量运行策略。此外，为解决上述问题，本发明还提供一种移动终端电量运行策略生成装置，包括：获取模块，用于获取移动终端的充电使用习惯数据；运算模块，用于根据所述充电使用习惯数据，通过预先训练的充电时间点预测模型，获得所述移动终端对应的下一次充电时间点；所述获取模块，还用于根据所述移动终端当前电量，获取系统预估电量耗尽时间点；生成模块，用于根据所述下一次充电时间点和所述系统预估电量耗尽时间点生成电量运行策略，以便于根据所述电量运行策略控制所述移动终端的省电模式的运行。此外，为解决上述问题，本发明还提供一种用户终端，所述用户终端包括存储器以及处理器，所述存储器用于存储移动终端电量运行策略生成程序，所述处理器运行所述移动终端电量运行策略生成程序以使所述移动终端执行如上述所述移动终端电量运行策略生成方法。此外，为解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有移动终端电量运行策略生成程序，所述移动终端电量运行策略生成程序被处理器执行时实现如上述所述移动终端电量运行策略生成方法。本发明提供的一种移动终端电量运行策略生成方法及其装置。其中，本发明所提供的方法根据充电使用习惯数据，通过充电时间点预测模型得出下一次充电时间点，并进一步综合根据下一次充电时间点和系统预估电量耗尽时间点生成电量运行策略，并根据该电量运行策略，控制省电模式的运行。本发明实现了基于ai的深度学习方式，学习用户的不同的充电行为，预测下一次的充电时间，进而针对现有的电量进行动态的省电规划，生成电量运行策略，在保证维持用户使用体验的前提下，把电量维持到预测的充电时间点，提供更加贴合用户习惯的省电策略，为用户对于移动终端的正常使用提供了方便，大大提高了用户体验。附图说明图1为本发明移动终端电量运行策略生成方法实施例方案涉及的硬件运行环境的结构示意图；图2为本发明移动终端电量运行策略生成方法第一实施例的流程示意图；图3为本发明移动终端电量运行策略生成方法第二实施例的流程示意图；图4为本发明移动终端电量运行策略生成方法第二实施例中包括步骤s60细化步骤的整体流程示意图；图5为本发明移动终端电量运行策略生成方法第三实施例种所述步骤s30细化的流程示意图；图6为本发明移动终端电量运行策略生成方法第四实施例中充电时间点预测模型的获取方法的流程示意图；图7为本发明移动终端电量运行策略生成方法第五实施例的流程示意图；图8为本发明移动终端电量运行策略生成装置的功能模块示意图。本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式下面详细描述本发明的实施例，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。如图1所示，是本发明实施例方案涉及的终端的硬件运行环境的结构示意图。本发明实施例终端可以是的pc，也可以是智能手机、平板电脑、或者具有一定计算能力并且包含有图像采集设备的电子书阅读器、mp3播放器、mp4播放器、便携计算机等可移动式终端设备。如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏、输入单元比如键盘、遥控器，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。可选地，终端还可以包括rf(radiofrequency，射频)电路、音频电路、wifi模块等等。此外，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。本领域技术人员可以理解，图1中示出的终端并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、数据接口控制程序、网络连接程序以及移动终端电量运行策略生成程序。本发明提供的一种移动终端电量运行策略生成方法及其装置。其中，所述方法实现了基于ai的深度学习方式，学习用户的不同的充电行为，预测下一次的充电时间，进而针对现有的电量进行动态的省电规划，生成电量运行策略，在保证维持用户使用体验的前提下，把电量维持到预测的充电时间点，提供更加贴合用户习惯的省电策略，为用户对于移动终端的正常使用提供了方便，大大提高了用户体验。实施例1：参照图2，本发明第一实施例提供一种移动终端电量运行策略生成方法，包括：步骤s10，获取移动终端的充电使用习惯数据；上述，本实施例中，移动终端可以为手机，也可以为其他可实现便携式功能的电子设备，其中设有电池，并且其中可安装有不同的操作系统，均可以使用本实施例中所提供的移动终端电量运行策略生成方法。上述，移动终端的充电需要一段时间，可以在每次充电结束后，即获取其对应的电池的充电使用习惯数据。上述，充电使用习惯数据，为用户在使用该移动终端时的充电习惯和充电状态、充电方式等信息。例如，可以包含但不限于用户进行充电起止时间点、充电时长，充电电源的类型，比如1.2v、2.1v，快充还是慢充，是通过普通ac还是usb接口，充电开始时移动终端的电池电量等等数据信息。通过充电使用习惯数据，可体现出用户使用移动终端时的使用习惯。此外，该充电使用习惯数据，还可以包括充电的定位位置(例如墙壁插座、插排转接、强电弱电等)。步骤s20，据所述充电使用习惯数据，通过预先训练的充电时间点预测模型，获得所述移动终端对应的下一次充电时间点；本实施例中，利用神经网络学习技术，通过利用充电使用习惯数据，输入至预先训练好的模型中，即充电时间点预测模型，进行运算，预测出用户的下一次充电时间点。步骤s30，根据所述移动终端当前电量，获取系统预估电量耗尽时间点；上述，系统预估电量耗尽时间点，可以为通过移动终端系统中实时或定时获取得到的数据，其计算依据为移动终端的当前电量。例如，ios系统或者安卓系统中，均有获取到所述系统预估电量耗尽时间点的功能。再例如ios系统中，实时统计用户操作手机的操作习惯，即使用不同app的时间、使用屏幕的时间、看书和视频的时间等等信息，计算出移动终端的剩余电量到电量完全耗尽的时间节点。此外，该时间点，也可以通过移动终端中自行计算出，即根据用户对终端中的不同app软件的运行时间的统计，并根据每个app对应的理论耗电量，综合屏幕当前亮度和所开启的相应硬件功能所对应的理论耗电量，综合计算出当前的系统预估电量耗尽时间点。步骤s40，根据所述下一次充电时间点和所述系统预估电量耗尽时间点生成电量运行策略，以便于根据所述电量运行策略控制所述移动终端的省电模式的运行。上述，省电模式，即为系统中控制电池电量在低电量的情况下的运行模式，其中可以包括但不限于对于硬件例如cpu、gpu的降频运行，屏幕亮度的降低、系统ui的色调调整等等运行和调整方式。本实施例中，下一次充电时间点为通过充电时间点预测模型对用户的对移动终端的充电习惯的数据进行计算并输出的，即通过ai预测的数据；而系统预估电量耗尽时间点，为通过系统获取或基于用户对移动终端的使用习惯所获取的预测数据。通过系统预估电量耗尽时间点和下一次充电时间点之间的时间间隔，即可分析出用户对于移动终端的电量的实际使用习惯和充电习惯，进而根据该两个数据，可获知对应的需要采取什么样的手段或策略，是否启动系统的省电模式，等等，即为生成电量运行策略。电量运行策略中，可以包含有省电模式的设置，也可以包括普通模式的设置，不同模式的设置对于系统中硬件的运行状态(例如频率、开关等)，以及软件的运行状态(后台数目、屏幕亮度)等等进行设置，从而实现根据用户的对于移动终端的实际应用习惯和充电习惯进行对电量运行策略的生成和设置。本实施例提供的一种移动终端电量运行策略生成方法。其中，本发明所提供的方法根据充电使用习惯数据，通过充电时间点预测模型得出下一次充电时间点，并进一步综合根据下一次充电时间点和系统预估电量耗尽时间点生成电量运行策略。本实施例实现了基于ai的深度学习方式，学习用户的不同的充电行为，预测下一次的充电时间，进而针对现有的电量进行动态的省电规划，生成电量运行策略，在保证维持用户使用体验的前提下，把电量维持到预测的充电时间点，提供更加贴合用户习惯的省电策略，为用户对于移动终端的正常使用提供了方便，大大提高了用户体验。实施例2：参照图3-4，本发明第二实施例提供一种移动终端电量运行策略生成方法，基于上述图2所示的第一实施例，所述步骤s20，“根据所述移动终端当前电量，获取系统预估电量耗尽时间点”之前，步骤s50，在所述移动终端的电池电量发生改变时，获取所述电池的当前电量变化数据；在本实施例中，移动终端可能随时处于用户的使用之中，例如开启app，游戏、视频、通话等，使用不同的app，使用不同的传感器，并且其屏幕显示的亮度也可能不同，导致预估的系统预估电量耗尽时间点这个数据是动态变化的，由于系统预估电量耗尽时间点的不停变化，就导致进一步的频繁计算生成电量运行策略去更新已有的电量运行策略，这也会引起系统额外增加大量运算，导致多余的耗电量的产生。所以，本实施例中，设置一对于电量运行策略的更新前提条件，即首先先判断该移动终端是否达到电量运行策略更新状态，如果达到该状态则可进行进一步的数据获取和电量运行策略的更新。上述，当前电量变化数据，为移动终端的电池的电量相对于原有状态的变化数据。移动终端在使用时，不论是通话中还是浏览信息，均会发生电量的变化，只要发生电量的改变，即可得到当前电量变化数据。例如，当前电量为100％，通过用户在屏幕亮度为70％状态时浏览网页5分钟后，电量达到了99％，此时的当前电量变化数据为1％。步骤s60，根据所述当前电量变化数据确定进行所述电量运行策略的更新。上述，电量运行策略的更新，其计算依据为当前电量变化数据，即根据当前电量变化数据，确定电量运行策略是否需要进行更新。例如，当前电量变化数据对应的变化的幅度较小，则无需进行对于电量运行策略的更新，反之，则需要进行更新，使用不同的电量运行策略。进一步的，所述步骤s60，“根据所述当前电量变化数据确定进行对所述电量运行策略的更新”包括：步骤s61，判断所述电池的当前电量变化数据是否大于预设电量变化数据；步骤s62，若是，则进行对所述电量运行策略的更新。此外，在所述步骤s61，判断所述电池的当前电量变化数据是否大于预设电量变化数据之后，还包括：若否，则判定所述移动终端的电池未进入电量运行策略的更新状态，不需要更新，且不需要进行进一步“根据所述充电使用习惯数据，通过预先训练的充电时间点预测模型，获得所述移动终端对应的下一次充电时间点”的步骤，可以返回所述步骤s50，并重新进行判断。上述，监控电池的当前电量变化数据，如果通过统计记录，电池掉电达到一定程度，即为大于预设电量变化数据的时候，则可判定此时电池的状态达到的触发一次省电指标的更新，即为触发一次进行对于移动终端电量运行策略生成和更新。上述，电量运行策略更新状态，即为电量运行达到可进一步进行调整电量运行策略的标准。具体的，其标准可以为电量掉电达到一定百分比或电量数值，即可达到该状态，进入该状态后，可进一步进行通过预先训练的充电时间点预测模型对充电使用习惯数据对应的下一次充电时间点的预测。上述，优选的，本实施例中所提供的预设电量变化数据可以为2％。本实施例中，通过设置对于电量运行策略的更新前提条件，即首先先判断该移动终端是否达到电量运行策略更新状态，如果达到该状态则可进行进一步的数据获取和电量运行策略的更新，避免了由于电量不停变化，导致系统频繁进行计算，生成并更新电量运行策略的问题，避免了额外的耗电量。实施例3：参照图5，本发明第三实施例提供一种移动终端电量运行策略生成方法，基于上述图2所示的第一实施例，所述步骤s30，“根据所述移动终端当前电量，获取系统预估电量耗尽时间点”包括：步骤s31，根据所述移动终端当前电量，计算得出对应的剩余电量；步骤s32，获取所述移动终端的应用耗电统计数据；步骤s33，根据所述剩余电量和所述应用耗电统计数据，计算得出所述系统预估电量耗尽时间点。上述，剩余电量，为根据当前电量，进行计算得出的剩余的可以使用的电量。上述，应用耗电统计数据，为系统中内置的实时更新的统计数据，其中包括用户习惯使用的所有app的使用时长，和相应的在该移动终端中所耗电的统计数据，通过该数据，可获知，用户习惯于使用哪些app，使用该app的时长，及对应的耗电量。该数据，可以为系统内置的，也可以为本实施例中所提供方法计算得来，通过后台实时获取所有app的使用时间，应用使用时长、计算得出耗电量，以便于进一步的计算。上述，根据剩余电量，并且基于所得到的应用耗电统计数据，可进一步计算得到系统预估电量耗尽时间点。其中，系统预估电量耗尽时间点，即为系统计算得出的在剩余电量的基础上，依据用户的对于终端中所安装的app，在用户的使用习惯之下的预估使用时长。本实施例中，通过移动终端的当前电量，可得到剩余电量，并且获取到应用耗电统计数据，进而根据应用耗电统计数据和剩余电量，综合计算得出系统预估电量耗尽时间点，从而可预估出该移动终端基于用户的使用习惯下的预计使用时间。实施例3：参照图6，本发明第三实施例提供一种移动终端电量运行策略生成方法，基于上述图2所示的第一实施例，所述步骤s20之前，充电时间点预测模型的获取方法包括：步骤s70，运行深度学习框架；上述，充电时间点预测模型，基于深度学习技术，通过运行相应的深度学习框架进行训练获得。步骤s80，获取所述移动终端的历史用电习惯数据，以及对应的预期标注结果数据；依据所搜集的数据可以作不同深度学习方法的训练，在本实施例中，使用的为监督式学习，监督式学习需要事先准备输入的数据的答案(也就是所谓的groundtruth)，结合前述所搜集的数据，可以用n笔数据当作输入，groundtruth即为下一笔数据的充电时间，透过这样的数据组合来训练模型。上述，历史用电习惯数据，即为用户的一段时间范围内的移动终端的用点习惯的统计数据(即为事先准备的需进行训练的目标数据)。其中，可以包括用户充电的位置、充电时间、充电使用的快充慢充充电器等等项目。预期标注结果数据，即为通过前期运算得到，或者用户通过其他方式获知或计算得到的一个对应的预计结果(即为对应的groundtruth)，该结果与所输入的历史用点习惯数据相对应。步骤s90，将所述历史用电习惯数据输入至所述深度学习框架进行计算，并基于损耗函数对所述预期标注结果数据与计算结果进行比较，修正所述深度学习框架的计算参数，得到所述充电时间点预测模型。上述，基于神经网络算法中的监督式学习算法，将历史用电习惯数据作为输入，并且将其对应的预期标注结果数据作为groundtruth；将历史用电习惯数据输入至深度学习框架中，基于损耗函数进行计算后，将得到的计算结果与预期标注结果数据进行比较，从而进一步修正所得到的深度学习框架的计算参数，从而通过不断修正下，得到充电时间点预测模型。本实施例中，通过利用监督式学习算法，通过预先准备历史用电习惯数据，以及groundtruth，并通过groundtruth去修正历史用电习惯数据所得到的计算结果，从而反复的修正参数，从而得到更加准确的模型，提高了模型计算的准确度，计算效率。实施例4：参照图7，本发明第四实施例提供一种移动终端电量运行策略生成方法，基于上述图2所示的第一实施例，所述电量运行策略包括普通级别的电量运行策略、危险级别的电量运行策略、警告级别的电量运行策略和断电临界级别的电量运行策略；所述步骤s40，“根据所述下一次充电时间点和所述系统预估电量耗尽时间点生成电量运行策略，以便于根据所述电量运行策略控制所述移动终端的省电模式的运行。”包括：步骤s41，计算所述下一次充电时间点减去所述系统预估电量耗尽时间点的差值，作为当前省电模式评价值；步骤s42，若所述当前省电模式评价值小于0，则生成所述普通模式的电量运行策略；步骤s43，若所述当前省电模式评价值不小于2，则生成所述危险级别的电量运行策略；步骤s44，若所述当前省电模式评价值不小于4，则生成所述警告级别的电量运行策略；步骤s45，若所述当前省电模式评价值不小于6，则生成所述断电临界级别的电量运行策略。上述，通过公式：下一次充电时间点减去所述系统预估电量耗尽时间点的差值，可体现出预测的断电时间和预测的充电时间的时间差值，通过该时间差值，可获知用户此时需采取何种对于电量的控制策略，从而在保证用户体验的情况下，安全的达到下一次的充电的时间点。本实施例中，所提供的电量运行策略，可以分为四个模式，即分别为依据对于当前情况的不同设为普通级别的电量运行策略、危险级别的电量运行策略、警告级别的电量运行策略和断电临界级别的电量运行策略。其中，电量运行策略，也可称为不同级别的省电指标。在本实施例中，可以对应的依据情况的由轻到重分为对应的normal/dangerous/warning/critical四种等级,省电指针提供系统各类型的省电机制作为控制强度的参考,越重(越接近critical)表示建议省电力度越强,对于省电机制来说,就是随着指标调整省电机制的控制力度(见表1)。表1电量运行策略表格差值省电指标电量运行策略≥6小时output:criticallevel断电临界级别的电量运行策略≥4小时output:warninglevel警告级别的电量运行策略≥2小时output:dangerouslevel危险级别的电量运行策略＜0output:normallevel普通模式的电量运行策略上述中的四个阶段，normal作为普通模式，则不需要套用或启动省电机制(避免降频、调整显示屏亮度等)，另外三阶段就随着不同程度套用到对应模式的运行策略(省电机制)。本实施例中，通过设置为不同的电量运行策略，对于计算所的差值进行评价，在不同的电量运行策略下，采用不同的省电机制，可在用户对移动终端的操作过程中，依据用户的实际情况对应的采用不同的省电策略，避免了一成不变的不以用户使用习惯为中心的省电模式的设置，对于用户的实际体验造成的影响。此外，为了更好的说明本申请，本实施例还提供一种移动终端电量运行策略生成方法，基于上述图2所示的第一实施例，所述移动终端电量运行策略生成方法，还包括：获取移动终端的当前累计充电次数；充电时间点预测模型的获得，需要进行深度学习训练而得到。用户对于移动终端的操作习惯，有可能在一段时间出现变化，所以充电时间点预测模型，需要根据用户的实际应用习惯进行适应性的调整，这就需要重新训练，以便于更接近与用户的实际应用习惯。在本实施例中，设置一进行深度学习的时机点，即统计当前累计充电次数，当该统计次数达到一定的预设次数，即可判定当前可进行重新对于模型的训练。上述，在移动终端的使用和充电的过程中，记录每次充电，可得到当前累计充电次数。即，每充电一次就更新一次累计记录的充电次数。若所述当前累计充电次数达到预设训练触发次数，则将所述当前累计充电次数进行数据清零，并且获取所述移动终端在此次数据清零之前的每次充电的充电使用习惯数据。利用所述充电使用习惯数据，进行ai深度学习，建立所述充电时间点预测模型。上述，预设训练触发次数，本实施例中，优选的可以为100次。例如，每当用户使用移动终端，进行充电累计100次，即可判定当前状态下可进行一次重新的对于模型的训练。并且，把所统计的当前累计充电次数进行清零，以进行对该数据的重新统计。进行训练时，需获取在此次的数据清零之前的所有充电使用习惯数据，进行对于模型的重新训练。本实施例通过对于当前累计充电次数的统计，并在判定当前累计充电次数达到一预设训练触发次数后，即把当前累计充电次数清零，需获取在此次的数据清零之前的所有充电使用习惯数据，对模型的训练学习，以实现模型根据用户的应用习惯和充电习惯的不同变化而进行相应调整的目的，从而使充电时间点预测模型更加贴近、接近于用户的实际应用习惯和充电习惯，使最终生成的移动装置电量运行策略更加适合于该用户的实际习惯，为用户对于移动终端的使用提供了个性化和方便。上述，所述“利用所述充电使用习惯数据，进行ai深度学习，建立所述充电时间点预测模型”，包括：所述移动终端将所述充电使用习惯数据发送至服务端；所述服务端接收到所述充电使用习惯数据后，对所述充电使用习惯数据进行ai深度学习，获得所述充电时间点预测模型。在本实施例中，深度学习可以为远程云端训练，在远程即云端设有一服务端，在本地达成训练学习条件后，即将两次清零之间时间点本地所获得的新的资料数据(每次充电的充电使用习惯数据)上传至服务端进行更新(云端)，通过服务端利用包括原有的充电使用习惯数据和更新的充电使用习惯数据共同作为训练数据进行训练动作，训练完成后，再下载至本地的移动终端进行进一步的推论和分析。本实施例通过云端进行对于模型的训练动作，接收移动终端所发送的两次相邻的数据清零时间点之间的充电使用习惯数据，从而大大减少了本地进行对于模型的训练的运算量对于系统造成额外负担，从而避免了由于额外进行模型的训练动作导致对于系统的运行流畅度和系统资源的影响。此外，本实施例所进行对于模型的训练动作也可以于本地移动终端中进行，本地训练可以为通过本地的移动终端运行深度学习框架,输入搜集的数据,训练然后产生出模型,之后就透过模型来推论(inference)出下一次的充电时间。通过本地移动终端进行深度学习框架的运行，并进行训练生成或更新模型，避免了由于数据在终端与云端之间的大量交互所带来的安全隐患。所述步骤“将所述充电使用习惯数据发送至服务端”之前，还包括：所述移动终端向所述服务端发送远程深度学习请求；其中，所述服务端根据所述深度学习请求，生成互相对应的公钥和私钥，并将所述公钥发送至所述移动终端；所述移动终端接收到所述公钥后，利用所述公钥对所述充电使用习惯数据加密，以便于执行“所述移动终端将所述充电使用习惯数据发送至服务端”；所述步骤“所述服务端接收到所述充电使用习惯数据后，对所述充电使用习惯数据进行ai深度学习，获得所述充电时间点预测模型”，包括：所述服务端接收到所述充电使用习惯数据后，利用与所述公钥对应的私钥，对加密后的所述充电使用习惯数据解密；并且，对解密后的所述充电使用习惯数据进行ai深度学习，获得所述充电时间点预测模型。所述充电使用习惯数据包括充电开始时间点、充电时间长度、充电电源类型、充电开始时移动装置的剩余电池电量和充电地点。上述，每个移动终端的充电使用习惯数据加密，对于使用用户来说，属于个人隐私数据，其中包含有个人的应用习惯和充电习惯等等数据，在于云端进行交互的过程中，个人隐私数据的安全性非常重要，所以在移动终端与云端服务器之间的数据交互过程中，需要对数据进行加密。此外，在终端与服务端的数据交互过程中，为了避免个人数据的泄露，提高安全性，本实施例中可对于移动终端所发出的充电使用习惯数据进行匿名化处理，从而得到匿名化处理的充电使用习惯数据。需要说明的是，匿名化处理的充电使用习惯数据无法在泄露之后反查出数据来源或者对应用户，进一步提高数据交互过程中的安全性。本实施例中，通过利用非对称加密算法，进行云端与本地之间数据交互的加密，从而大大提高了数据在交互过程中的安全性。上述，需要说明的是，非对称加密算法，其原理为，需要两个密钥：公开密钥(publickey)和私有密钥(privatekey)。公开密钥与私有密钥是一对，如果用公开密钥对数据进行加密，只有用对应的私有密钥才能解密；如果用私有密钥对数据进行加密，那么只有用对应的公开密钥才能解密。因为加密和解密使用的是两个不同的密钥，所以这种算法叫作非对称加密算法。非对称加密算法实现机密信息交换的基本过程是：甲方生成一对密钥并将其中的一把作为公用密钥向其它方公开；得到该公用密钥的乙方使用该密钥对机密信息进行加密后再发送给甲方；甲方再用自己保存的另一把专用密钥对加密后的信息进行解密。本实施例中，通过非对称加密算法对向云端传输的包含有个人使用习惯等隐私数据的充电使用习惯数据，从而大大提高了数据在交互过程中的安全性，防止个人隐私的泄露，防止个人的应用习惯和充电使用习惯等数据的外泄，为用户提供了安全保障。进一步的，所述步骤“利用所述充电使用习惯数据，进行ai深度学习，建立所述充电时间点预测模型”，包括：所述移动终端获取到所述充电使用习惯数据后，将所述充电使用习惯数据保存为训练数据源；检测当前所述移动终端的运行状态；若所述移动终端的运行状态为熄屏充电状态，则利用所述训练数据源在本地进行ai深度学习，建立所述充电时间点预测模型。上述，对于充电使用习惯数据的训练，会占用一定的系统资源，导致对于用户的使用体验造成影响。本实施例中，通过本地移动终端进行对于充电使用习惯数据的ai训练，为了避免占用大量系统资源对于用户体验的影响，对于移动终端的当前的运行状态进行检测。其中，运行状态可以包括判断该移动终端是否处于充电状态并且屏幕处于熄屏模式。如果处于该状态，则可判定当前状态下可进行对于充电使用习惯数据的ai训练，从而避免了由于进行ai数据训练占用的系统资源对于用户的操作所造成的影响。此外，如果判定运行状态为熄屏状态时，也可以进行ai深度学习，并且，在运行状态改变为屏幕点亮并出现程序运行时，停止进行ai深度学习，提高ai深度学习的效率，并且避免了对于用户对移动终端操作时系统资源占用所造成的用户体验差的问题。此外，参考图8，本发明还提供一种移动终端电量运行策略生成装置，包括：获取模块10、运算模块20和生成模块30；获取模块10，用于获取移动终端的充电使用习惯数据；运算模块20，用于根据所述充电使用习惯数据，通过预先训练的充电时间点预测模型，获得所述移动终端对应的下一次充电时间点；所述获取模块10，还用于根据所述移动终端当前电量，获取系统预估电量耗尽时间点；生成模块30，用于根据所述下一次充电时间点和所述系统预估电量耗尽时间点生成电量运行策略，以便于根据所述电量运行策略控制所述移动终端的省电模式的运行。此外，本发明还提供一种用户终端，所述用户终端包括存储器以及处理器，所述存储器用于存储移动终端电量运行策略生成程序，所述处理器运行所述移动终端电量运行策略生成程序以使所述移动终端执行如上述所述移动终端电量运行策略生成方法。此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有移动终端电量运行策略生成程序，所述移动终端电量运行策略生成程序被处理器执行时实现如上述所述移动终端电量运行策略生成方法。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本发明的专利保护范围内。当前第1页12