一种应用于智能手表的低电量充电预警方法及系统与流程
- 国知局
- 2024-08-02 16:01:09
本技术涉及智能手表,尤其涉及一种应用于智能手表的低电量充电预警方法及系统。
背景技术:
1、智能手表作为一种可穿戴设备,设计为佩戴在用户的手腕上,随着技术的发展,其功能也在不断扩展,它不仅具有传统手表显示时间的基本功能,还集成了多种智能功能和传感器,能够与智能手机或其他设备进行无线通信,因此,智能手表也逐渐成为日常生活中的健康助理和信息中心。
2、随着智能手表的普及率和使用频率越来越高,用户日渐希望智能手表能够保持足够的电量,避免在使用时频繁充电。然而,目前的智能手表难以对电量进行有效预警,只能在预设的低电量(如10%、20%电量等)时提示用户进行充电,导致智能手表容易出现低电量甚至关机等现象,进而影响用户体验。
技术实现思路
1、本技术实施例提供一种应用于智能手表的低电量充电预警方法及系统,本技术采用如下技术方案:
2、第一方面,提供一种应用于智能手表的低电量充电预警方法,方法包括:
3、获取智能手表的多维监测数据;
4、基于多维监测数据,确定智能手表的使用场景标签;
5、向云端服务器发送包含使用场景标签和智能手表的终端标识的数据获取请求,以使得云端服务器响应于数据获取请求,基于使用场景标签和终端标识,确定用户针对智能手表的使用偏好画像,并向智能手表反馈使用偏好画像;
6、获取智能手表所在位置的环境温度,并基于环境温度、使用偏好画像以及预设的电量消耗预测模型,得到电量消耗预测模型针对智能手表输出的预测耗电量;
7、基于预测耗电量和智能手表的电池状态信息,确定预测剩余电量;
8、基于预测剩余电量和使用场景标签,确定目标预警策略,并基于目标预警策略,执行电量预警操作。
9、在本技术一实施例中,多维监测数据包括运动信息、用户体征信息、时间信息和位置信息;
10、基于多维监测数据,确定智能手表的使用场景标签的步骤,包括:
11、基于运动信息和用户体征信息,确定运动属性标签;运动属性标签包括运动类型标签和运动强度标签;
12、基于时间信息,确定时间属性标签;
13、基于位置信息,确定地点属性标签;
14、基于运动属性标签、时间属性标签和地点属性标签,得到使用场景标签。
15、在本技术一实施例中,基于使用场景标签和终端标识,确定用户针对智能手表的使用偏好画像的步骤,包括:
16、在预设的模型库中,确定终端标识对应的个性化偏好预测模型;其中,个性化偏好预测模型是基于终端标识对应的智能手表在不同使用场景下的历史使用数据训练得到的;
17、基于使用场景标签和个性化偏好预测模型,得到个性化偏好预测模型输出的使用偏好画像;使用偏好画像包括场景时长偏好、应用程序使用偏好和操作偏好。
18、在本技术一实施例中,基于使用场景标签和个性化偏好预测模型,得到个性化偏好预测模型输出的使用偏好画像的步骤,包括:
19、将运动属性标签、时间属性标签和地点属性标签转化为数值化数据;
20、对数值化数据进行特征提取,得到目标特征数据;
21、将目标特征数据输入个性化偏好预测模型,输出得到使用偏好画像。
22、在本技术一实施例中,基于环境温度、使用偏好画像以及预设的电量消耗预测模型,得到电量消耗预测模型针对智能手表输出的预测耗电量的步骤,包括:
23、基于环境温度和智能手表的电池温度特性,确定环境影响因子;电池温度特性表征智能手表在不同温度下的电池性能;
24、将环境影响因子和使用偏好画像输入电量消耗预测模型,输出得到预测耗电量。
25、在本技术一实施例中,基于环境温度和智能手表的电池温度特性,确定环境影响因子的步骤,包括:
26、基于智能手表的电池温度特性,确定智能手表的多个电池性能等级各自对应的温度区间;
27、在多个温度区间中,确定环境温度所属的目标温度区间;
28、基于目标温度区间以及预设的不同温度区间与不同环境影响因子之间的映射关系,确定环境影响因子。
29、在本技术一实施例中,电池状态信息包括电池容量、电池内阻和电池温度、累计充放电次数和当前剩余电量;
30、基于预测耗电量和智能手表的电池状态信息,确定预测剩余电量的步骤,包括:
31、将电池容量、电池内阻和电池温度和累计充放电次数输入预设的老化模型,输出得到电池老化系数;
32、基于预测耗电量和电池老化系数,确定目标耗电量;
33、基于当前剩余电量和目标耗电量,确定预测剩余电量。
34、在本技术一实施例中,基于预测剩余电量和使用场景标签,确定目标预警策略的步骤,包括:
35、基于使用场景标签,确定多个电量预警阈值;
36、基于预测剩余电量和多个电量预警阈值,确定预警等级;
37、确定预警等级对应的目标预警策略;不同的预警等级对应不同的预警策略。
38、在本技术一实施例中,目标预警策略包括针对智能手表的第一预警策略和/或针对与智能手表相关联的关联终端的第二预警策略;
39、基于目标预警策略,执行电量预警操作的步骤,包括:
40、基于第一预警策略,向智能手表的至少一个预警组件发送第一预警指令,以使至少一个预警组件执行第一预警指令对应的第一电量预警操作;和/或,
41、基于第二预警策略,向关联终端发送第二预警指令,以使关联终端执行第二预警指令对应的第二电量预警操作。
42、第二方面,提供了一种应用于智能手表的低电量充电预警系统,系统包括:
43、数据获取模块,用于获取智能手表的多维监测数据;
44、标签确定模块,用于基于多维监测数据,确定智能手表的使用场景标签;
45、画像获取模块,用于向云端服务器发送包含使用场景标签和智能手表的终端标识的数据获取请求,以使得云端服务器响应于数据获取请求,基于使用场景标签和终端标识,确定用户针对智能手表的使用偏好画像,并向智能手表反馈使用偏好画像;
46、耗电量确定模块,用于获取智能手表所在位置的环境温度,并基于环境温度、使用偏好画像以及预设的电量消耗预测模型,得到电量消耗预测模型针对智能手表输出的预测耗电量;
47、剩余电量确定模块,用于基于预测耗电量和智能手表的电池状态信息,确定预测剩余电量;
48、电量预警模块,用于基于预测剩余电量和使用场景标签,确定目标预警策略,并基于目标预警策略,执行电量预警操作。
49、在本技术一实施例中,多维监测数据包括运动信息、用户体征信息、时间信息和位置信息;标签确定模块包括:
50、第一标签确定子模块,用于基于运动信息和用户体征信息,确定运动属性标签;运动属性标签包括运动类型标签和运动强度标签;
51、第二标签确定子模块,用于基于时间信息,确定时间属性标签;
52、第三标签确定子模块,用于基于位置信息,确定地点属性标签;
53、场景标签确定子模块,用于基于运动属性标签、时间属性标签和地点属性标签,得到使用场景标签。
54、在本技术一实施例中,画像获取模块包括:
55、模型确定子模块,用于在预设的模型库中,确定终端标识对应的个性化偏好预测模型;其中,个性化偏好预测模型是基于终端标识对应的智能手表在不同使用场景下的历史使用数据训练得到的;
56、画像确定子模块,用于基于使用场景标签和个性化偏好预测模型,得到个性化偏好预测模型输出的使用偏好画像;使用偏好画像包括场景时长偏好、应用程序使用偏好和操作偏好。
57、在本技术一实施例中,画像确定子模块包括:
58、数据转化单元,用于将运动属性标签、时间属性标签和地点属性标签转化为数值化数据;
59、特征提取单元,用于对数值化数据进行特征提取,得到目标特征数据;
60、画像预测单元,用于将目标特征数据输入个性化偏好预测模型,输出得到使用偏好画像。
61、在本技术一实施例中,耗电量确定模块包括:
62、环境影响因子确定子模块,用于基于环境温度和智能手表的电池温度特性,确定环境影响因子;电池温度特性表征智能手表在不同温度下的电池性能;
63、预测耗电量确定子模块,用于将环境影响因子和使用偏好画像输入电量消耗预测模型,输出得到预测耗电量。
64、在本技术一实施例中,环境影响因子确定子模块包括:
65、第一区间确定单元,用于基于智能手表的电池温度特性,确定智能手表的多个电池性能等级各自对应的温度区间;
66、第二区间确定单元,用于在多个温度区间中,确定环境温度所属的目标温度区间;
67、环境影响因子确定单元,用于基于目标温度区间以及预设的不同温度区间与不同环境影响因子之间的映射关系,确定环境影响因子。
68、在本技术一实施例中,电池状态信息包括电池容量、电池内阻和电池温度、累计充放电次数和当前剩余电量;剩余电量确定模块包括:
69、电池老化系数确定子模块,用于将电池容量、电池内阻和电池温度和累计充放电次数输入预设的老化模型,输出得到电池老化系数;
70、目标耗电量确定子模块,用于基于预测耗电量和电池老化系数,确定目标耗电量;
71、预测剩余电量确定子模块,用于基于当前剩余电量和目标耗电量,确定预测剩余电量。
72、在本技术一实施例中,电量预警模块包括:
73、阈值确定子模块,用于基于使用场景标签,确定多个电量预警阈值;
74、预警等级确定子模块,用于基于预测剩余电量和多个电量预警阈值,确定预警等级;
75、预警策略确定子模块,用于确定预警等级对应的目标预警策略;不同的预警等级对应不同的预警策略。
76、在本技术一实施例中,目标预警策略包括针对智能手表的第一预警策略和/或针对与智能手表相关联的关联终端的第二预警策略;电量预警模块还包括:
77、第一预警子模块,用于基于第一预警策略,向智能手表的至少一个预警组件发送第一预警指令,以使至少一个预警组件执行第一预警指令对应的第一电量预警操作;
78、第二预警子模块,用于基于第二预警策略,向关联终端发送第二预警指令,以使关联终端执行第二预警指令对应的第二电量预警操作。
79、综上,上述应用于智能手表的低电量充电预警方法及系统具有如下技术效果:
80、本技术实施例首先获取智能手表的多维监测数据,并基于多维监测数据,确定智能手表的使用场景标签;再将包含使用场景标签和智能手表的终端标识的数据获取请求发送给云端服务器,使得云端服务器在减轻智能手表的算力压力的同时能够快速确定用户针对智能手表的使用偏好画像,进而通过综合考虑环境温度和使用偏好画像,使得电量消耗预测模型能够准确预测智能手表的预测耗电量,然后在预测耗电量的基础上,进一步考虑智能手表的电池状态信息,能够计算得到预测剩余电量;最后基于预测剩余电量和使用场景标签,确定合适的目标预警策略,并基于目标预警策略,针对性地执行相应的电量预警操作。本技术实施例通过对智能手表的使用场景标签进行识别,并综合考虑使用偏好画像、环境温度以及智能手表的电池状态信息等多方面因素,能够实现对智能手表的剩余电量的准确预测,并结合使用场景,为用户提供针对性的预警服务。如此,能够针对性地提前对电量进行预警,以避免预警不及时导致智能手表出现低电量甚至关机等现象,进而有效提高用户的使用体验。
本文地址:https://www.jishuxx.com/zhuanli/20240801/248945.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表