智能手机电池消耗测试数据

本项目旨在系统性地收集、整理和分析智能手机在不同使用场景下的电池消耗数据，为电池优化策略提供科学依据。通过对CPU使用率、屏幕亮度、温度等多种硬件指标的实时监测，我们希望能够识别影响电池寿命的关键因素，从而为开发者和用户提供有针对性的电池优化建议。

This project aims to systematically collect, organize, and analyze battery consumption data of smartphones under various usage scenarios, providing scientific evidence for battery optimization strategies. By conducting real-time monitoring of multiple hardware metrics including CPU utilization, screen brightness, and device temperature, we intend to identify the key factors affecting battery lifespan, thereby delivering targeted battery optimization recommendations for both developers and end users.

原始信息汇总

智能手机电池消耗测试数据

数据集概述

本数据集旨在系统性地收集、整理和分析智能手机在不同使用场景下的电池消耗数据，为电池优化策略提供科学依据。数据通过对CPU使用率、屏幕亮度、温度等多种硬件指标的实时监测采集而成。

项目背景

随着智能手机功能的日益丰富和硬件性能的不断提升，电池续航问题已成为用户体验的关键瓶颈。本项目通过规范化的数据采集和深入分析，旨在建立智能手机电池消耗的基准数据集，量化不同硬件指标与电池消耗的相关性，识别电池消耗的模式和异常情况，并为电池优化算法和应用开发提供参考数据。

数据集结构

数据集采用分层组织结构，按测试批次和数据类型进行分类管理。主要目录和文件如下：

• data1/ 至 data6/：分别存放第一至第六批次测试数据。
  • 每个批次包含 monitor_x.csv（硬件状态监测数据）和 power_consumption_x.csv（耗电数据）。
• 测试状态/：存放测试过程状态数据。
  • 包含 test.csv（测试状态记录）。

测试设备

数据采集使用了以下两款智能手机：

设备型号	系统版本	电池容量	处理器	运行内存	屏幕尺寸	手机大小
HONOR 90 Pro	MagicOS 9.0 (Android 14)	5000mAh	第一代骁龙8+移动平台	16+7GB	6.78英寸	163.8mm*74.8mm
vivo s17 Pro	Android 14	4600mAh	3.1GHz天玑8200八核	12+12GB	6.78英寸	164.42mm*74.4mm

数据采集

采集情况

1. 测试场景设计：包括日常使用场景、多媒体场景、游戏场景、带有悬浮窗场景。
2. 数据预处理：包括数据清洗（处理缺失值和异常值）、数据标准化（统一数据格式和单位）、数据验证（确保数据的一致性和可靠性）。

采集工具

使用第三方软件结合ADB（Android Debug Bridge）进行监测。

数据结构详情

1. 硬件状态监测数据 (monitor_x.csv)

字段名	描述	单位	格式/取值范围	备注
Timestamp	数据采集时间戳	-	YYYY/MM/DD HH:MM:SS 或 YYYY/MM/DD HH:MM	如果为HH:MM，同一个HH:MM的多条数据表示按平均秒数间隔抽样
Screen_Brightness	屏幕亮度	百分比	0-100%	-
Screen_On	屏幕是否开启	布尔值	1=开启，0=关闭	-
RSRP_dBm	参考信号接收功率	dBm	负值，如：-70	移动网络信号强度
Network_Type	网络类型	字符串	如：4G、5G、Wi-Fi	-
WiFi_RSSI	WiFi信号强度	dBm	负值	为空表示未连接WiFi
CPU_Freq_Avg_MHz	CPU平均频率	MHz	数值	CPU运行频率
CPU_Total%	CPU总使用率	百分比	0-100%	CPU整体负载情况
CPU_User%	CPU用户使用率	百分比	0-100%	用户应用占用CPU的比例
CPU_Idle%	CPU空闲率	百分比	0-100%	CPU空闲时间比例
Load1min	1分钟系统负载	数值	非负	系统1分钟平均负载
Load5min	5分钟系统负载	数值	非负	系统5分钟平均负载
Load15min	15分钟系统负载	数值	非负	系统15分钟平均负载
Wakelock_Count	唤醒锁计数	数值	非负整数	应用持有的唤醒锁数量
Temperature_C	电池温度	摄氏度	数值	电池当前温度

2. 耗电数据 (power_consumption_x.csv)

字段名	描述	单位	格式/取值范围	备注
电量(%)	电池剩余电量	百分比	0-100%	当前电池电量
时间	记录时间	-	HH:MM	电量记录时间

3. 测试状态数据 (test.csv)

字段名	描述	单位	格式/取值范围	备注
测试数据	测试批次标识	-	字符串	如：Data1, Data2等
手机型号	测试设备型号	字符串	如：HONOR 90 Pro, vivo s17 Pro	-
手机刷新率(Hz)	屏幕刷新率	Hz	数值	如：60, 120
环境温度(°C)	测试环境温度范围	°C	范围值	如：18~20
起始点电量(%)	测试开始时的电池电量	百分比	0-100%	测试开始时的电池剩余电量
使用状态	测试使用场景详情	字符串	文本	包含前台应用、后台应用、定位状态、充电状态、用户操作情况、网络类型等信息

许可证

本项目采用 MIT 许可证，允许自由使用、修改和分发本项目的代码和数据，前提是保留原作者的版权声明。许可证文件地址：https://github.com/temper114514/Smartphone-battery-consumption-test-data/blob/main/LICENSE

搜集汇总

数据集介绍

构建方式

在智能手机电池性能研究领域，构建高质量的数据集是量化分析的基础。该数据集通过设计涵盖日常使用、多媒体、游戏及悬浮窗操作等多种典型场景的测试流程，系统性地采集数据。利用第三方软件结合ADB工具，对荣耀90 Pro和vivo s17 Pro两款设备进行实时监测，记录包括CPU使用率、屏幕亮度、网络信号、温度等硬件状态指标，并与电池耗电数据同步。数据经过清洗、标准化和验证处理，按测试批次分层组织，确保了采集的规范性和可靠性。

特点

该数据集的特点体现在其多维度的监测指标与精细的场景划分上。它不仅捕获了屏幕亮度、CPU频率、网络类型等硬件层面的实时状态，还整合了电池温度、唤醒锁计数等系统级参数，形成了硬件与能耗的关联映射。数据集覆盖了两种不同型号的智能手机，在多种刷新率和环境温度条件下进行测试，提供了跨设备的对比基础。结构上，数据以CSV格式分层存储，字段定义清晰，单位统一，便于直接用于机器学习模型训练或统计分析，为电池消耗模式的识别提供了丰富的数据维度。

使用方法

该数据集适用于移动计算和能源优化领域的研究与应用开发。研究人员可首先加载指定批次的CSV文件，将硬件状态监测数据与耗电数据按时间戳对齐，构建时序数据集。通过分析不同场景下各指标与电量消耗的相关性，可以量化影响因素，识别异常耗电模式。开发者可利用这些数据训练预测模型，以优化应用程序的功耗策略，或评估系统调度算法的有效性。数据集中包含的测试状态信息，如环境温度和前台应用详情，为控制变量分析提供了必要上下文，使得研究结论更具可解释性和实用性。

背景与挑战

背景概述

在移动计算领域，智能手机电池续航能力是制约用户体验与设备性能持续演进的核心瓶颈。随着硬件性能的飞速提升与应用程序功能的日益复杂化，电池消耗的精确建模与优化已成为学术界与工业界共同关注的前沿课题。本数据集由研究团队于近期创建，旨在系统性地收集智能手机在不同使用场景下的电池消耗数据，涵盖CPU使用率、屏幕亮度、温度等多种硬件指标。其核心研究问题聚焦于量化硬件状态与电池消耗之间的动态关联，识别影响电池寿命的关键因素，从而为电池优化算法与应用开发提供科学、规范的基准数据。该数据集的建立，不仅为能源效率研究提供了实证基础，也为智能终端的系统设计与资源管理策略提供了重要参考。

当前挑战

该数据集致力于解决智能手机电池消耗建模与优化这一复杂领域问题，其面临的挑战主要体现在两个方面。在领域问题层面，电池消耗受到硬件状态、软件行为、环境因素等多维变量的非线性交互影响，准确建模其动态过程具有显著难度；同时，不同设备型号、系统配置与使用场景的差异性，使得构建普适性强的电池消耗预测模型极具挑战性。在数据集构建层面，挑战主要源于数据采集的规范性与一致性：需在真实使用场景下同步监测多种硬件指标与电量变化，确保时序数据的精确对齐；同时，需设计涵盖日常使用、多媒体、游戏等多样化的测试场景，以捕获全面的消耗模式，并对缺失值、异常值进行严谨的清洗与标准化处理，保证数据质量与可靠性。

常用场景

经典使用场景

在移动计算与系统优化领域，智能手机电池消耗测试数据集为研究电池能耗模式提供了关键基准。该数据集通过监测CPU使用率、屏幕亮度、温度等硬件指标，结合不同使用场景如日常操作、多媒体播放与游戏运行，使得研究者能够深入分析电池消耗的动态特征。其经典应用场景包括构建能耗模型，以量化硬件状态与电池寿命之间的关联，为系统级优化策略提供实证基础。

实际应用

在实际应用中，该数据集为智能手机制造商与应用开发者提供了宝贵的参考依据。基于数据驱动的分析，企业能够优化硬件配置与系统固件，例如调整屏幕亮度策略或改进网络切换机制以延长电池续航。同时，该数据支持开发智能电池管理应用，为用户提供个性化的节能建议，提升移动设备在多媒体、游戏等高频使用场景下的体验。

衍生相关工作

围绕该数据集，学术界衍生了一系列经典研究工作，包括基于机器学习的电池消耗预测模型、能耗感知的任务调度算法以及跨平台电池性能基准测试框架。这些工作利用数据集中丰富的硬件状态与耗电记录，探索了动态电压频率调整、唤醒锁优化等节能技术，进一步推动了移动计算能源效率领域的理论创新与实践应用。