[論文レビュー] Predicting Smartphone Battery Life based on Comprehensive and Real-time Usage Data

Huoran Li, Xuanzhe Liu+1 more|arXiv (Cornell University)|Jan 12, 2018

Green IT and SustainabilityEngineering参考文献 24被引用数 16

ひとこと要約

本論文は、51名のユーザーが21か月にわたり収集した包括的でリアルタイムの使用データを用いて、スマートフォンのバッテリー残量を予測する機械学習ベースの手法を提案する。細分化されたシステム、センサー、アプリレベルのトレースを活用し、コントラクタンスインデックスを用いて欠損データを処理することで、ベースライン手法に比べ平均で33分の予測誤差低減を達成し、精度を顕著に向上させた。

ABSTRACT

Smartphones and smartphone apps have undergone an explosive growth in the past decade. However, smartphone battery technology hasn't been able to keep pace with the rapid growth of the capacity and the functionality of smartphones and apps. As a result, battery has always been a bottleneck of a user's daily experience of smartphones. An accurate estimation of the remaining battery life could tremendously help the user to schedule their activities and use their smartphones more efficiently. Existing studies on battery life prediction have been primitive due to the lack of real-world smartphone usage data at scale. This paper presents a novel method that uses the state-of-the-art machine learning models for battery life prediction, based on comprehensive and real-time usage traces collected from smartphones. The proposed method is the first that identifies and addresses the severe data missing problem in this context, using a principled statistical metric called the concordance index. The method is evaluated using a dataset collected from 51 users for 21 months, which covers comprehensive and fine-grained smartphone usage traces including system status, sensor indicators, system events, and app status. We find that the remaining battery life of a smartphone can be accurately predicted based on how the user uses the device at the real-time, in the current session, and in history. The machine learning models successfully identify predictive features for battery life and their applicable scenarios.

研究の動機と目的

• 日常のユーザー体験におけるスマートフォンのバッテリー持続時間という重要な課題を解決すること。
• 粗い、ラボベース、または短期間のデータに依存する先行研究の限界を克服すること。
• 細分化された縦断的スマートフォン使用トレースを活用して、正確なバッテリー残量予測を実現する機械学習モデルを開発すること。
• バッテリーが放電する前に充電するか、実際に放電するかを明確に区別するという深刻な欠損データ問題を、原理的で統計的な指標を用いて特定・解決すること。
• 多様なスマートフォンモデルや使用状況に適用可能な汎用的でシステムレベルの予測フレームワークを提供すること。

提案手法

• システム状態、センサー値、システムイベント、アプリ活動を含む、高時間分解能での包括的でリアルタイムの使用トレースを、51名のユーザーから21か月にわたり収集する。
• 特に木構造ベースのモデルを含む最新の機械学習モデルを適用し、現在の使用状況、セッションベースのパターン、および歴史的使用パターンに基づいて残りバッテリー時間を予測する。
• 生存分析におけるコントラクタンスインデックスを、打ち切りデータ（特に、バッテリーが放電する前に充電する場合と実際に放電する場合を区別する）を処理するための主要指標として用いる。
• 放電履歴、現在および過去のシステム状態、アプリ使用状況、時間帯パターンに基づいて予測特徴量を設計する。
• 標準的な機械学習パイプラインを採用し、新しいデータセットでの再トレーニングが可能で、ウェアラブル機器や電気自動車など他のデバイスへの一般化も可能である。
• 平均絶対誤差、ケンダールのタウ、コントラクタンスインデックスを用いた指標でモデルのパフォーマンスを検証し、ベースラインの線形回帰モデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 細分化された、現実世界のスマートフォン使用データは、粗いまたはラボベースのデータに比べ、残りバッテリー時間の予測精度を顕著に向上させることができるか？
• RQ2 特に放電行動を含む歴史的使用パターンの組み込みが、予測パフォーマンスにどのような影響を与えるか？
• RQ3 ユーザー固有の使用行動が、バッテリー残量予測モデルの予測力にどの程度向上効果をもたらすか？
• RQ4 ユーザーがバッテリーが放電する前に充電するという、バッテリー残量予測における一般的な欠損データ問題は、どのように効果的にモデル化・軽減できるか？
• RQ5 使用パターンとバッテリー消費の非線形関係を捉えるために、木構造ベースのモデルが線形モデルを上回る性能を示せるか？

主な発見

• ベースライン手法に比べ、平均して33分の予測誤差低減を達成し、ユーザーのタスク計画に実用的な影響をもたらす顕著な改善を示した。
• バッテリーの放電履歴が最も予測力の高い特徴であり、過去の使用パターンが現在のシステム状態だけよりも情報量が多いことを示している。
• ユーザー固有の特徴（使用習慣やアプリ好まれ）が追加の予測力を提供しており、パーソナライズドなバッテリー残量推定の有効性を裏付けている。
• システム状態の特徴は放電レートが安定している場合にのみより有用であるが、そうでない場合にはユーザー固有の特徴が優勢になるため、状況に応じた特徴の重要性の変化が示された。
• 木構造ベースのモデルが線形回帰を上回ったことから、使用行動とバッテリー消費の関係が本質的に非線形であることが確認された。
• コントラクタンスインデックスは、放電前に充電する場合の欠損データを効果的に処理でき、実世界のシナリオにおいてモデルのロバスト性と精度を顕著に向上させた。