論文の概要: Building Energy Consumption Models Based On Smartphone User's Usage
Patterns
- arxiv url: http://arxiv.org/abs/2012.10246v1
- Date: Tue, 15 Dec 2020 00:53:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 13:22:18.647055
- Title: Building Energy Consumption Models Based On Smartphone User's Usage
Patterns
- Title（参考訳）: スマートフォン利用者の利用パターンに基づくエネルギー消費モデルの構築
- Authors: Antonio Sa Barreto Neto, Felipe Farias, Marco Aurelio Tomaz Mialaret,
Bruno Cartaxo, Priscila Alves Lima, Paulo Maciel
- Abstract要約: 本研究の目的は,ユーザ利用パターンに基づくエネルギー消費モデルの構築である。
スマートフォンのエネルギー消費に最も影響を与えているコンポーネントを識別する方法を確立した。
利用者の使用状況に基づいてエネルギー消費をモデル化するための各戦略の訓練および試験を行った結果,平均絶対誤差158.57mWが得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing usage of smartphones in everyday tasks has been motivated many
studies on energy consumption characterization aiming to improve smartphone
devices' effectiveness and increase user usage time. In this scenario, it is
essential to study mechanisms capable of characterizing user usage patterns, so
smartphones' components can be adapted to promote the best user experience with
lower energy consumption. The goal of this study is to build an energy
consumption model based on user usage patterns aiming to provide the best
accurate model to be used by application developers and automated optimization.
To develop the energy consumption models, we established a method to identify
the components with the most influence in the smartphone's energy consumption
and identify the states of each influential device. Besides that, we
established a method to prove the robustness of the models constructed using
inaccurate hardware and a strategy to assess the accuracy of the model built.
After training and testing each strategy to model the energy consumption based
on the user's usage and perform the Nemenyi test, we demonstrated that it is
possible to get a Mean Absolute Error of 158.57mW when the smartphone's average
power is 1970.1mW. Some studies show that the leading smartphone's workload is
the user. Based on this fact, we developed an automatic model building
methodology that is capable of analyzing the user's usage data and build smart
models that can estimate the smartphone's energy consumption based on the
user's usage pattern. With the automatic model building methodology, we can
adopt strategies to minimize the usage of components that drain the battery.
- Abstract（参考訳）: 日常業務におけるスマートフォンの利用の増加は,スマートフォンの有効性の向上とユーザ利用時間の向上を目的としたエネルギー消費特性に関する多くの研究の動機付けとなっている。
このシナリオでは、ユーザ利用パターンを特徴づけるメカニズムを研究することが不可欠であり、スマートフォンのコンポーネントは、省エネで最高のユーザエクスペリエンスを促進するために適応することができる。
本研究の目的は、アプリケーション開発者が使用する最も正確なモデルと自動最適化を提供することを目的とした、ユーザ利用パターンに基づくエネルギー消費モデルの構築である。
エネルギー消費モデルを開発するために,スマートフォンのエネルギー消費に最も影響を及ぼすコンポーネントを識別し,各デバイスの状態を特定する方法を確立した。
さらに,不正確なハードウェアを用いて構築したモデルのロバスト性を証明する手法と,構築したモデルの精度を評価する戦略を確立した。
使用状況に基づいてエネルギー消費をモデル化するための各戦略を訓練し, ネメニー試験を行った結果, スマートフォンの平均消費電力が 1970.1mw の場合, 平均絶対誤差が 158.57mw になることを実証した。
いくつかの研究は、主要なスマートフォンのワークロードがユーザであることを示している。
そこで本研究では,利用者の利用データを分析し,利用者の利用パターンに基づいてスマートフォンの消費エネルギーを推定できるスマートモデルを構築するための自動モデル構築手法を開発した。
自動モデル構築手法によって、バッテリを排出するコンポーネントの使用を最小限に抑える戦略を採用できます。
関連論文リスト
- Just In Time Transformers [2.7350304370706797]
JITtransは,エネルギー消費予測精度を大幅に向上させる,トランスフォーマー深層学習モデルである。
本研究は, エネルギー管理を革新し, 持続可能な電力システムを構築するための先進的な予測技術の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2024-10-22T10:33:00Z) - EPAM: A Predictive Energy Model for Mobile AI [6.451060076703027]
本稿では,異なるディープニューラルネットワーク(DNN)モデルと処理源を考慮したモバイルAIアプリケーションに関する総合的研究を紹介する。
4つの処理源を用いて,全モデルのレイテンシ,エネルギー消費,メモリ使用量を測定した。
私たちの研究は、CPU、GPU、NNAPIを使用して、異なるアプリケーション(ビジョンとノンビジョン)でモバイルAIがどのように振る舞うか、といった重要な洞察を強調しています。
論文 参考訳（メタデータ） (2023-03-02T09:11:23Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - LEAF + AIO: Edge-Assisted Energy-Aware Object Detection for Mobile
Augmented Reality [77.00418462388525]
モバイル拡張現実(MAR)アプリケーションは非常にエネルギーを消費する。
我々は、MARデバイスが動的に構成を変更することができるエッジベースのエネルギー対応MARシステムを設計する。
提案した動的MAR構成適応は、複数のMARクライアントのフレーム当たりのエネルギー消費を最小限に抑えることができる。
論文 参考訳（メタデータ） (2022-05-27T06:11:50Z) - Adaptive Energy Management for Self-Sustainable Wearables in Mobile
Health [21.97214707198675]
ウェアラブルデバイスの小さなフォームファクタは、バッテリーのサイズと寿命を制限します。
ウェアラブル機器の持続可能な運用に有効な方法として、エネルギー収穫が出現している。
本稿では, 蓄電池エネルギーを補充し, ユーザによる手動充電を減らすことで, 自己維持可能なウェアラブルを目標とする適応型エネルギー管理の新たな課題について検討する。
論文 参考訳（メタデータ） (2022-01-16T23:49:20Z) - Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。
提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
論文 参考訳（メタデータ） (2021-03-22T21:22:51Z) - Energy Drain of the Object Detection Processing Pipeline for Mobile
Devices: Analysis and Implications [77.00418462388525]
本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。
我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
論文 参考訳（メタデータ） (2020-11-26T00:32:07Z) - Reshaping consumption habits by exploiting energy-related micro-moment
recommendations: A case study [2.741120981602367]
この研究は、消費ログから繰り返し使われるパターンを検出することに基づいている。
これは、センサ、スマートメーター、アクチュエータのセットを使用するエネルギー消費削減システムの構造と運用を示す。
システムは、適切なタイミングで適切な省エネ行動を行うことをユーザに推奨し、徐々にユーザの習慣を形作る。
論文 参考訳（メタデータ） (2020-10-09T17:29:56Z) - Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。
本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
論文 参考訳（メタデータ） (2020-04-20T21:05:25Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。