[论文解读] 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 16

一句话总结

本文提出了一种基于机器学习的方法，利用51名用户在21个月内收集的全面、实时的使用数据，预测智能手机电池续航时间。通过利用细粒度的系统、传感器和应用级追踪数据，并采用一致性指数处理数据缺失问题，该模型平均将预测误差降低了33分钟，显著优于基线方法。

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.

研究动机与目标

• 为解决智能手机电池续航作为日常用户体验中关键瓶颈的挑战。
• 克服以往研究依赖粗粒度、实验室环境或短期数据的局限性。
• 开发一种基于细粒度、纵向智能手机使用追踪数据的机器学习模型，以实现准确的电池续航时间预测。
• 利用严谨的统计度量方法，识别并解决严重的数据缺失问题——即区分电池耗尽前充电与实际电池耗尽的情况。
• 提供一种可推广的、系统级的预测框架，适用于多种智能手机型号和使用场景。

提出的方法

• 从51名用户在21个月内收集全面、实时的使用追踪数据，包括系统状态、传感器读数、系统事件和应用活动，具有高时间粒度。
• 应用最先进的机器学习模型，特别是基于树的模型，根据当前、会话级和历史使用模式预测剩余电池续航时间。
• 使用生存分析中的一致性指数作为关键指标，以处理右删失数据——具体而言，区分用户在电池耗尽前充电与实际电池耗尽的情况。
• 基于放电历史、当前和过去的系统状态、应用使用情况以及一天中时间模式设计预测特征。
• 采用标准的机器学习流程，支持在新数据集上重新训练，并可推广至其他设备（如可穿戴设备或电动汽车）。
• 使用均值绝对误差、Kendall’s Tau 和一致性指数等指标验证模型性能，并与基线线性回归模型进行比较。

实验结果

研究问题

• RQ1 与粗粒度或实验室数据相比，使用细粒度的真实世界智能手机使用数据是否能显著提高剩余电池续航时间预测的准确性？
• RQ2 包含历史使用模式（尤其是放电行为）对预测性能有何影响？
• RQ3 用户特定的使用行为在多大程度上能增强电池续航时间预测模型的预测能力？
• RQ4 如何有效建模并缓解电池续航预测中常见的数据缺失问题——即用户在电池耗尽前充电的情况？
• RQ5 基于树的模型是否能优于线性模型，以更好地捕捉使用模式与电池耗电量之间的非线性关系？

主要发现

• 与基线方法相比，该模型平均将预测误差降低了33分钟，显著提升准确性，对用户任务规划具有实际意义。
• 电池放电历史是最具预测力的特征，表明过去使用模式比当前系统状态本身更具信息量。
• 用户特定的特征（如使用习惯和应用偏好）提供了额外的预测能力，支持个性化电池续航时间估计。
• 当放电速率稳定时，系统状态特征更具信息量；否则，用户特定特征占主导地位，表明特征重要性具有上下文依赖性。
• 基于树的模型优于线性回归模型，证实使用行为与电池耗电量之间的关系本质上是非线性的。
• 一致性指数有效处理了因提前充电导致的数据缺失问题，显著提升了模型在真实场景中的鲁棒性和准确性。