移動裝置的省電系統與方法

2023-10-09 01:40:54 1

專利名稱：移動裝置的省電系統與方法
技術領域：
本發明涉及一種移動裝置，且特別是涉及一種移動裝置的省電系統與方法。
背景技術：
蜂窩式行動電話系統包含了由多個與眾多移動電臺或行動電話通信的 基站組成的網絡，每一個基地或涵蓋了一個特定的地理區域或小區。該系統 包括了儘量使最鄰近的基站被用來與每一個行動電話通信的手段，因而減少 在行動電話中所需要的發射機動率。當行動電話開機後，必須搜尋目前所處環境的最佳基站，以取得系統認 證及註冊。當行動電話註冊完成後進入待機模式，即可在屬於註冊基站的聯 機範圍內通過註冊基站而進行聯機以傳送或接收數據。為了使行動電話能夠 長時間隨時地維持在待命狀態，當行動電話進入待機模式時，會啟動一休眠 機制使其降低功率消耗以減少電力消耗。然而，行動電話若頻繁地在高功率 (通話模式或非待機模式)與低功率(待機模式)之間切換時，亦可能造成 大量電力的消耗。也就是說，不同使用者的通話行為與電力消耗程度有高度 相關。不同的行動電話使用者通常會有個人獨特且規律的行為模式，因此，本 發明便是利用這種特點，提出了一種移動裝置的省電與方法。該方法使用了 類神經網絡，能讓行動電話根據使用者的行為來自動學習，以預測未來使用 者的行為，作為設計省電方法的依據。發明內容基於所述目的，本發明實施例披露了一種移動裝置的省電方法。隨機產 生多個樣本，計算每一樣本的行為向量，並且利用所述樣本與對應的行為向 量訓練一類神經網絡系統。收集多個使用者事件，利用一加權轉換函數轉換 所述使用者事件為多個行為樣本，根據相似度對所述行為樣本分類並且取得樣本數量最多的一組行為樣本，計算該組行為樣本的行為向量，並且根據所 述行為樣本與對應的行為向量訓練所述類神經網絡系統。本發明實施例還披露了 一種移動裝置的省電系統。該系統包括一預測模 塊、 一樣本產生模塊、 一評估模塊、 一事件收集模塊、 一加權轉換模塊以及 一訓練模塊。該樣本產生模塊隨機產生多個樣本。該評估模塊計算每一樣本 的行為向量。該事件收集模塊收集多個使用者事件。該加權轉換模塊轉換所 述使用者事件為多個行為樣本，並且根據相似度對所述行為樣本分類並且取 得樣本數量最多的一組行為樣本。該訓練模塊自所述評估模塊取得所述樣本 與對應的行為向量訓練一類神經網絡系統，以及自所述加權轉換模塊取得所 述行為樣本與對應的行為向量訓練所述類神經網絡系統。


圖1示出了本發明實施例的產生加權事件向量的示意圖。 圖2示出了本發明實施例的省電方法的步驟流程圖。 圖3示出了本發明實施例的省電系統的架構示意圖。附圖符號說明310 樣本產生模塊 320 ~評估模塊 330 -事件收集模塊 340 ~加權轉換模塊 350 ~訓練模塊 360~預測模塊具體實施方式
為了使本發明的目的、特徵、及優點能更明顯易懂，下文特舉較佳實施 例，並結合附圖l至3做詳細的說明。本發明說明書提供不同的實施例來說 明本發明不同實施方式的技術特徵。其中，實施例中的各組件的配置為說明 之用，並非用以限制本發明。且實施例中附圖標號的部分重複，為了簡化說 明，並非意指不同實施例之間的關聯性。本發明實施例^1露了 一種移動裝置的省電系統與方法，其利用類神經網
絡讓行動電話根據使用者的行為來自動學習，以預測未來使用者的行為，作 為設計省電方法的依據。類神經網絡(Neural Network)是一種利用大量人工神經元仿真生物神 經元學習的行為的技術，其廣泛的被應用在樣本分類，辨識，預測，數據壓 縮等領域。利用一可自動學習使用者行為的類神經網絡系統，可預測未來使 用者行為以作為行動電話省電方法使用依據，從而達到省電的目的。本發明的省電方法的實施流程分為三個階段。首先，隨機產生樣本並利 用評估函數訓練類神經網絡系統，以縮短將來利用實際樣本訓練時的學習時 間。其次，收集使用者的樣本並予以分類，找出擁有最多樣本的類型，來代 表使用者使用行動電話的主要行為模式，並利用該類型所有的樣本來訓練出 個人化的類神經網絡系統。最後，根據最新的樣本，利用類神經網絡來預測 使用者未來的行為模式，並以此來動態調整各省電方法的參數。假設使用者的作息有一定規律，則代表使用者用電話亦有一定的規律， 在這個原則下，本發明實施例量化使用者在各時段使用行動電話的程度，在 不影響行動電話基本功能的前提下，在使用率偏低的時段對於電力使用予以 最佳化。圖1示出了本發明實施例的產生加權事件向量的示意圖。 本發明實施例將行動電話的使用行為視為多個與時間相關的事件(步驟 101),每個事件均發生在某一個選定的時段(步驟102)內(1時、2時、... 或24時)。舉例來說，使用者在上午三時打電話可視為一個事件，在下午 五時完全沒有使用行動電話可視為一個事件，或是下午六時行動電話有來電 亦可視為一個事件。每隔一段時間將各時段事件加以統計而成為一綜合事件 向量(步驟l03),經過用以調整各事件重要性加權因子的一加權轉換函數 (步驟104)處理後，輸出一加權事件向量(步驟105)。該加權事件向量 中的個別元素代表了某一時間的某一事件發生的權重。每個加權事件向量被 視為 一個樣本，其用以表示使用者在某一時間間隔內的使用行為。 圖2示出了本發明實施例的省電方法的步驟流程圖。如前文所述，本發明的省電方法的實施流程分為三個階^a。為了能快速訓練出一個能合理預測的網絡系統，在第一階段中，本發明實施例會先隨機 產生大量樣本(步驟201),接著利用一評估公式來計算每一樣本的「用戶 行為向量」(步驟202),其中該向量中的各元素分別代表某個時段的移動 電話的使用程度(即權重)，其用以代表使用者的其中一行為模式。由於使 用者的「用戶行為向量」是通過該評估函數計算而得，而評估函數的設計與 真實狀況無法完全吻合，故計算結果會有一定誤差。因此，本發明實施例必 須先利用計算所得結果(即取得的樣本與對應的行為向量)來訓練一類神經網絡(步驟203 )，以期之後可求出較精確的用戶行為向量。經過訓練後， 該類神經網絡已擁有基本的預測能力。在第二階段中，本發明實施例欲通過使用者行為的歷史樣本，訓練出一 個人化的類神經網絡系統，其包括下列步驟。首先，收集使用者信息。將使 用者使用行動電話期間所發生的事件，每間隔一段時間記錄下來(步驟204 )。 利用事件加權轉換函數處理使用者事件以產生樣本(步驟205 ),依此方法 先收集一定數量的樣本。接著，取出相關性比較高的樣本。收集到的樣本理 論上會有許多相似的處，本發明實施例根據相似度予以分類來找出數量最多 的一組樣本(步驟206),擁有最多樣本的類別即可代表使用者的主要使用 行為。最後要訓練類神經網絡系統。取出擁有最多樣本的類別，先利用評估 函數算出各樣本的用戶行為向量(步驟207)，再將樣本與對應的用戶行為 向量一筆筆丟入類神經網絡系統來訓練(步驟208)。判斷類神經網絡系統 的訓練結果是否合乎預期(步驟209)。當系統穩定時(即訓練完成)，輸 入類別中樣本的中位數，此時將所得輸出結果作為使用者「當前用戶行為向 量J ,該向量中的個別元素分別代表了使用者在各時段內的使用權重因子。 r當前用戶行為向量」代表了類神經網絡系統對於該使用者標準行為的認 定，而成為未來預測結果比較的標準。如果類神經網絡系統一直無法穩定收 斂(converge),則嘗試收集更多樣本並重複步驟204 ~ 208。當完成第二階段的訓練後，該類神經網絡系統已具備預測使用者行為的 能力。但使用者行為會隨時間改變，這種改變有可能是漸進的，也可能是突 發的。為了能讓系統能適應這種改變，本發明實施例在第三階段另外設計了 一個學習規則來滿足需求。收集某一時間間隔內的使用者事件(步驟210),然後利用加權轉換函 數產生樣本(步驟211),並且將樣本輸入類神經網絡系統以預測使用者行 為(步驟212)。接著判斷類神經網絡系統的預測結果是否合乎預期(步驟 213)。在每一次預測後，如果類神經網絡系統發現少許預測出的行為模式 向量與r當前行為模式向量」有較大差距時，則必須要對「當前行為才莫式向
量J做細微的調整(步驟214 ),然後再回到步驟210繼續收集某一時間間隔內的使用者事件。如果連續發現預測結果差距過大的狀況，則回到第二階 段重新收集樣本來訓練類神經網絡系統。經過所述三個階段訓練後的類神經網絡系統，只要知道最近一次時間間 隔內所發生的事件，便能預測出下個時間間隔內各時段行動電話的使用權 重。根據該權重可以動態調整一些與電力消耗相關的參數，例如，省電模式切換的等待時間，或是省電模式中行動電話甦醒(wake up)之間隔時間，以達成省電的目的。圖3示出了本發明實施例的省電系統的架構示意圖。 本發明實施例的省電系統包括一樣本產生模塊310、 一評估模塊320、一事件收集模塊330、 一加權轉換模塊340、 一訓練模塊350以及一預測模塊360。在第一階段中，樣本產生模塊310先隨機產生大量樣本，評估模塊320 計算每一樣本的「用戶行為向量」，訓練模塊350自樣本產生模塊310與評 估模塊320取得樣本與對應的用戶行為向量以用來訓練類神經網絡系統。在第二階段中，事件收集模塊330將使用者使用行動電話期間所發生的 事件，每間隔一段時間記錄下來，加權轉換模塊340處理使用者事件以產生 樣本，並且根據相似度予以分類來找出數量最多的一組樣本。接著，評估模 塊320算出各樣本的用戶行為向量。訓練模塊350自加權轉換模塊340與評 估模塊320取得樣本與對應的用戶行為向量以訓練類神經網絡系統，判斷該 類神經網絡系統的訓練結果是否為收斂狀態。若是，則輸入樣本的中位數， 並且將所得輸出結果作為使用者的「當前用戶行為向量」。若不，則收集更 多樣本並重複前述流程。在第三階段中，事件收集模塊330收集某一時間間隔內的使用者事件。 加權轉換模塊340根據使用者事件產生樣本。預測模塊360自加權轉換模塊 340取得樣本以利用類神經網絡系統預測使用者行為，並且判斷類神經網絡 系統的預測結果是否合乎預期。若發現少許預測出的行為模式向量與「當前 行為模式向量」有較大差距時，則必須要對「當前行為模式向量」做細微的 調整。若連續發現預測結果差距過大的狀況，則重新收集樣本來訓練類神經 網絡系統。接下來以一範例說明本發明實施例的事件轉換的實施細節。
4奪4吏用者一天的4吏用4亍為分成四個區間，即0: 00~6: 00、 6: 00~12: 00、 12: 00~18: 00以及18: 00 ~ 0: 00。名欠預測的事件包括r接收電話J 、r打電話」以及「該時段完全不使用電話J 。利用二元表示法來表達可能發 生的單一事件，貝'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接收電話事件」以「 100」表示，「打電話事件」以「010」表示，r閒置 事件」以「001」表示。舉例來說，發生在6: 00~12: 00的打電話事件為r 0100 010」，而發生在18: 00 ~ 0: OO的電話閒置事件為r 0001 001」， 即前面四碼表示時段，後面三碼表示事件。統計各時段事件後，將統計結果以一r綜合事件向量』來表達。舉例來 說，「 0001 250」表示在18: 00-0: OO接了兩通電話，打了五通電話。本發明利用一事件轉換函數來轉換綜合事件向量，原因在於發生事件的 數量其實不具有太大的意義，而應得到時段內用戶對行動電話的r使用程 度」，因此需要去評估各事件的重要性與數量對重要性的影響。舉例來說，在某一時段內接到十次或是一百次電話，已可視為使用程度 極高，則數量的差已不太有意義，故應調整該事件的重要性權值。如前文所述，將使用者一天的使用行為分成四個區間，則在各區間內的 r綜合事件向量』分別表示如下。0: 00~6: OO區間的r綜合事件向量」為r 1000 001」， 6: 00- 12: 00區間的「綜合事件向量」為r 0100 110 J , 12: 00~18: OO區間的r綜合事件向量」為「 0010 210」， 18: 00~24: OO區間的r綜合事件向量J為r 0001 130 J 。 本發明實施例的事件轉換函數表示為f ( x, y, z ) = ( X*0.3 + Y*0.2 + ( - 1 "Z) /5 (假設各事件數量< 5 )， 其中X為接收電話事件，Y表電話事件，Z表閒置事件。則根據所述各 區間的r綜合事件向量」可得到下列函數計算結杲。 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)即為圖1中輸出的一日加權事件向量，
也就是本發明的類神經網絡系統中要輸入的衝羊本。類神經網絡系統利用人工神經元來負責運算，可以想像成其神經元間連 結的強度其實就可以看成是一個個參數，類神經網絡系統訓練的過程會不斷 改變這些參數，其步驟包括(l)給定樣本，目標向量與一組系統初始權重因子， (2)輸入樣本，(3)系統內部運算運算，(4)輸出結果，以及("根據結果與目標 向量調整系統內部權重因子。類神經的學習機制主要是由步驟(5)來完成，如果輸出結果與目標向量差 異過大，表示準確率不足，則需要調整系統中的權重因子，並重複前面步驟， 直到所有的輸出都與目標向量差異在可接受範圍內，此時系統就穩定了， 一 般稱為收斂狀態。以下說明類神經技術何應用於本發明的範例。在第一階段中，利用隨機數、基因算法、或者設計一公式產生大量樣本。 接著利用 一評估函數對各樣本作評分，然後將所得樣本輸入類神經網絡系統 並利用先前計算所得的評分來訓練該類神經網絡系統。在第二階段中，假設有一類樣本包括五個樣本，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，每一樣本內的數字代表某一事件的權重，故以SI來說，其包括 了四個事件，而每一事件的權重分別為0.5、 0.5、 0.5與0。用戶評估函數為 g (x),則分別可得戶評估值為g (SI) 、 g (S2) 、 g (S3) 、 (S4)與g (S5)。將這五筆樣本丟入類神經網絡系統，並以其對應評估值為目標來訓 練類神經網絡系統，其可表示為{Ain (樣本輸入)—〔評估函數〕—Aeval (評估值)}; {Ain (樣本輸入)—〔類神經網絡系統〕—Aout (訓練結果)}。 比較Aeval與Aout差異，並視情形修改類神經網絡系統中的參數。 當系統穩定後，找出中位數〔0.5,0.5，0.5，0〕，並將的輸入已經穩定的 類神經網絡系統，並計算出結果。因為系統已穩定，該類樣本中的中位數為 最具代表性的，故此時所求出的結果最可代表用戶行為，根據該結果所得的
向量稱為r當前用戶行為向量(Fin) J 。在第三階段中，每收集一個樣本就直接送入類神經網絡系統(即每過一 時間間隔，就更新一次信息)，並將系統預測的結果與上次所得的f當前用 戶4亍為向量(Fin )」相比較，以4f到 一比淨交^直v。另外設定一期望值a與一閾值b。期望值a定義兩行為向量間的相似程 度，若大於此值，表示兩向量極相似。閾值b定義兩行為向量間的相似程度， 若小於此值，則認為兩向量相異。期望值a與閾值b可視不同案例而設為不 同值。在本發明實施例中，期望值a-0.2,閾值b-O.l。a〈v〈l表示符合預期，則類神經網絡系統不做任何變動，但對於兩比 較向量中的個別向量需做檢測與微調。b < v < a表示大於閾值且小於期望值，則啟動類神經網絡系統預設的學 習機制，調整類神經網絡系統中的權重因子。0〈v〈b表示小於閾值，則重設類神經網絡系統，重新收集樣本，回到 第二階段。舉例來說，當「當前用戶行為向量(Fin)」=〔0.6， 0,8， 0.5,0〕，預測 結果(B) = 〔 0.6， 0.5， 0.55， 0〕，就第二事件的權重而言，v = 0.8 - 0.5 = 0.3 〉0.2,故可得到a〈v〈1。由此可知，總體差異在預期範圍內，但個別事件 權重差距太大，故仍需要作微調動作。本發明實施例利用一微調公式進行調 整，但其並不限於本發明，任何可用以微調的公式或函數皆可使用的，該公 式表示為f ( x) = Wold + (Wnew — Wold) * ( Single-element-diff / Total diff) (1/element num ),將數字代入該公式後可得0.8 - (0.8 — 0.5 ) * (0.3/0.25 ) * ( 1/4) =0.8-0.09 = 0.71。 因此，新的當前用戶行為向量為Fin，- 〔0.6, 0.71, 0.5， 0〕。 本發明實施例的省電方法利用類神經網絡讓行動電話根據使用者的行為來自動學習，以預測未來使用者的行為，進而達到省電的目的。雖然本發明已以較佳實施例披露如上，然其並非用以限定本發明，本領域的技術人員在不脫離本發明的精神和範圍的前提下可作各種的更動與潤飾，因此本發明的保護範圍以本發明的權利要求為準。
權利要求
1.一種移動裝置的省電方法，包括下列步驟隨機產生多個樣本；計算每一樣本的行為向量；利用所述樣本與對應的行為向量訓練一類神經網絡系統；收集多個使用者事件；利用一加權轉換函數轉換所述使用者事件為多個行為樣本；根據相似度對所述行為樣本分類並且取得樣本數量最多的一組行為樣本；計算該組行為樣本的行為向量；以及根據所述行為樣本與對應的行為向量訓練所述類神經網絡系統。
2. 如權利要求1所述的省電方法，其還包括下列步驟 判斷所述類神經網絡系統的訓練結果是否為收斂狀態；若為收斂狀態，則輸入該組行為類別中的行為樣本的中位數至所述類神 經網絡系統，並且將所得輸出結果作為一當前用戶行為向量；以及若非為收斂狀態，則收集更多行為樣本以訓練所述類神經網絡系統。
3. 如權利要求2所述的省電方法，其中，所述當前用戶行為向量具有多 個元素，其分別代表了使用者在不同時段內的使用權重因子。
4. 如權利要求1所述的省電方法，其還包括下列步驟 收集一時間間隔內的使用者事件；利用所述加權轉換函數轉換所述使用者事件為多個行為樣本；以及 將所述行為樣本輸入所述類神經網絡系統以預測使用者行為。
5. 如權利要求4所述的省電方法，其還包括下列步驟 判斷預測結果是否合乎預期；若所述類神經網絡系統發現少許預測出的行為模式向量與所述當前行 為模式向量有較大差距時，則對所述當前行為模式向量做細微的調整；以及若連續發現預測結果差距過大的狀況，則重新收集行為樣本來訓練所述 類神經網絡系統。
6. 如權利要求1所述的省電方法，其中，每一行為向量中具有多個對應 使用者行為的權重因子。
7. —種移動裝置的省電系統，包括 一預測模塊；一樣本產生模塊，其用以隨機產生多個樣本；一評估模塊，耦接於所述樣本產生模塊，其用以計算每一樣本的行為向量；一事件收集模塊，其用以收集多個使用者事件；一加權轉換模塊，耦接於所述事件收集模塊，其用以轉換所述使用者事 件為多個行為樣本，並且根據相似度對所述行為樣本分類並且取得樣本數量 最多的一組行為樣本；以及一訓練衝莫塊，耦接於所述評估模塊與所述加權轉換模塊，其用以自所述 評估模塊取得所述樣本與對應的行為向量訓練一類神經網絡系統，以及自所 述加權轉換模塊取得所述行為樣本與對應的行為向量訓練所述類神經網絡 系統。
8. 如權利要求7所述的省電系統，其中，所述訓練模塊判斷所述類神經 網絡系統的訓練結果是否為收斂狀態，若為收斂狀態，則輸入該組行為類別 中的行為樣本的中位數至所述類神經網絡系統，並且將所得輸出結果作為一 當前用戶行為向量，否則收集更多行為樣本以訓練所述類神經網絡系統。
9. 如權利要求8所述的省電系統，其中，所述當前用戶行為向量具有多 個元素，其分別代表了使用者在不同時段內的使用權重因子。
10. 如權利要求7所述的省電系統，其中，所述樣本產生模塊收集某一時 間間隔內的使用者事件，所述加權轉換模塊轉換所述使用者事件為多個行為 樣本，所述訓練模塊取得所述行為樣本以訓練所述類神經網絡系統，以及所 述預測模塊才艮據訓練結果預測使用者行為。
11. 如權利要求IO所述的省電系統，其中，所述預測模塊判斷預測結果 是否合乎預期，若所述類神經網絡系統發現少許預測出的行為模式向量與所 述當前行為模式向量有較大差距時，則對所述當前行為模式向量做細微的調 整，以及若連續發現預測結果差距過大的狀況，則重新收集行為樣本來訓練 所述類神經網絡系統。
12. 如權利要求7所述的省電系統，其中，每一行為向量中具有多個對應 使用者行為的權重因子。
13. —種存儲介質，用以存儲一電腦程式，所述電腦程式包括多程序代碼，其用以加載至一計算機系統中並且使得所述計算機系統執行一種省電 方法，包括下列步驟隨機產生多個樣本；計算每一樣本的行為向量；利用所述樣本與對應的行為向量訓練一類神經網絡系統； 收集多個使用者事件；利用 一加權轉換函數轉換所述^f吏用者事件為多個行為樣本； 根據相似度對所述行為樣本分類並且取得樣本數量最多的一組行為樣本；計算該組行為樣本的行為向量；以及根據所述行為樣本與對應的行為向量訓練所述類神經網絡系統。
14. 如權利要求13所述的存儲介質，其還包括下列步驟 判斷所述類神經網絡系統的訓練結果是否為收斂狀態；若為收斂狀態，則輸入該組行為類別中的行為樣本的中位數至所述類神 經網絡系統，並且將所得輸出結果作為一當前用戶行為向量；以及若非為收斂狀態，則收集更多行為樣本以訓練所述類神經網絡系統。
15. 如權利要求14所述的存儲介質，其中，所述當前用戶行為向量具有 多個元素，其分別代表了使用者在不同時段內的使用權重因子。
16. 如權利要求13所述的存儲介質，其還包括下列步驟 收集某一時間間隔內的使用者事件；利用所述加權轉換函數轉換所述使用者事件為多個行為樣本；以及 將所述行為樣本輸入所述類神經網絡系統以預測使用者行為。
17. 如權利要求16所述的存儲介質，其還包括下列步驟 判斷預測結果是否合乎預期；若所述類神經網絡系統發現少許預測出的行為模式向量與所述當前行 為模式向量有較大差距時，則對所述當前行為模式向量做細微的調整；以及若連續發現預測結果差距過大的狀況，則重新收集行為樣本來訓練所述 類神經網絡系統。
18. 如權利要求13所述的存儲介質，其中，每一行為向量中具有多個對 應使用者行為的權重因子。
全文摘要
一種移動裝置的省電方法。隨機產生多個樣本，計算每一樣本的行為向量，並且利用所述樣本與對應的行為向量訓練一類神經網絡系統。收集多個使用者事件，利用一加權轉換函數轉換所述使用者事件為多個行為樣本，根據相似度對所述行為樣本分類並且取得樣本數量最多的一組行為樣本，計算該組行為樣本的行為向量，並且根據所述行為樣本與對應的行為向量訓練所述類神經網絡系統。
文檔編號H04W88/02GK101155369SQ20061015932
公開日2008年4月2日 申請日期2006年9月27日 優先權日2006年9月27日
發明者董昱騰 申請人:明基電通股份有限公司