[논문 리뷰] Predicting Smartphone Battery Life based on Comprehensive and Real-time Usage Data

Huoran Li, Xuanzhe Liu외 1명|arXiv (Cornell University)|2018. 01. 12.

Green IT and SustainabilityEngineering참고 문헌 24인용 수 16

한 줄 요약

이 논문은 21개월 동안 51명의 사용자로부터 수집한 종합적이고 실시간 사용 데이터를 기반으로 스마트폰 배터리 수명을 예측하는 기계학습 기반 방법을 제안한다. 세부적인 시스템, 센서 및 앱 수준의 트레이스를 활용하고, 연관 지수를 통해 데이터 누락 문제를 해결함으로써, 기준 모델 대비 평균 예측 오차를 33분 감소시켜 정확도를 크게 향상시킨다.

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.

연구 동기 및 목표

• 사용자 일상 경험에서 핵심적인 장애 요소가 되는 스마트폰 배터리 수명 문제를 해결하기 위함.
• 이전 연구들이 근본적으로 흐릿하거나 실험실 기반, 또는 단기 데이터에 의존하는 한계를 극복하기 위함.
• 정밀한 종단 간 스마트폰 사용 트레이스를 활용해 정확한 배터리 수명 예측을 위한 기계학습 모델을 개발하기 위함.
• 배터리 고갈과 고갈 이전 충전을 구분하는 데 어려운 데이터 누락 문제를 체계적인 통계적 지표를 통해 식별하고 해결하기 위함.
• 다양한 스마트폰 모델과 사용 환경에 적용 가능한 일반화 가능한 시스템 수준의 예측 프레임워크를 제공하기 위함.

제안 방법

• 시스템 상태, 센서 읽기, 시스템 이벤트, 앱 활동를 포함한 고시간 해상도의 종합적 실시간 사용 트레이스를 51명의 사용자로부터 21개월 간 수집한다.
• 특히 트리 기반 모델을 포함한 최신 기계학습 모델을 적용하여 현재, 세션 기반, 이력 기반의 사용 패턴을 바탕으로 잔여 배터리 수명을 예측한다.
• 생존 분석에서 유래한 연관 지수를 핵심 지표로 활용하여 총계된 데이터(특히 배터리 고갈 이전 충전 여부)를 구분함으로써 데이터 누락 문제를 처리한다.
• 방전 이력, 현재 및 과거 시스템 상태, 앱 사용, 시간대 패턴 기반의 예측 특징을 설계한다.
• 표준 기계학습 파이프라인을 활용하여 새로운 데이터셋에 대한 재학습이 가능하고, 웨어러블 기기나 전기차 등 다른 기기로의 일반화를 가능하게 한다.
• 평균 절대 오차, 켄달의 타우, 연관 지수와 같은 지표를 사용해 모델 성능을 검증하고, 기준 선형 회귀 모델과 비교한다.

실험 결과

연구 질문

• RQ1 세부적인 실생활 스마트폰 사용 데이터는 흐릿하거나 실험실 기반 데이터에 비해 잔여 배터리 수명 예측 정확도를 크게 향상시킬 수 있는가?
• RQ2 특히 방전 행동을 포함한 이력 기반 사용 패턴의 통합이 예측 성능에 어떤 영향을 미치는가?
• RQ3 사용자별 사용 습관이 배터리 수명 예측 모델의 예측 능력을 얼마나 향상시킬 수 있는가?
• RQ4 사용자가 배터리가 고갈되기 전에 충전하는 경우가 흔한 데이터 누락 문제를 효과적으로 모델링하고 완화할 수 있는가?
• RQ5 사용 패턴과 배터리 고갈 간 비선형 관계를 포착하는 데 트리 기반 모델이 선형 모델보다 성능이 뛰어나다고 할 수 있는가?

주요 결과

• 기준 모델 대비 평균 예측 오차를 33분 감소시켜 실생활 사용자 작업 계획에 실질적인 영향을 미치는 상당한 향상이 이루어졌다.
• 배터리 방전 이력이 가장 예측력 있는 특징로 나타나, 과거 사용 패턴이 현재 시스템 상태만으로는 더 유용하다는 것을 시사한다.
• 사용자별 특징(예: 사용 습관, 앱 선호도)은 추가적인 예측 능력을 제공하여 개인화된 배터리 수명 추정의 타당성을 뒷받침한다.
• 시스템 상태 특징은 방전 속도가 안정적일 때 더 유용하며, 그렇지 않으면 사용자별 특징이 지배적이므로, 특징 중요도가 맥락에 따라 달라진다는 점을 시사한다.
• 트리 기반 모델이 선형 회귀 모델보다 성능이 뛰어나, 사용 행동과 배터리 고갈 간 관계가 본질적으로 비선형임을 확인한다.
• 연관 지수가 배터리 고갈 이전 충전으로 인한 데이터 누락 문제를 효과적으로 처리하여, 실생활 환경에서 모델의 견고성과 정확도를 크게 향상시켰다.