移动互联网时代,智能手机变得越来越强大,能够承载越来越多的功能。但是与此同时,智能手机的功耗也在增加。而电池技术的发展相对缓慢,导致手机电池的供应能力增长缓慢,无法满足手机能耗的需求,限制了手机的续航能力。因此,在电池技术无法取得快速突破的背景下,研究如何有效降低手机功耗具有重要意义。当用户在晚上睡觉时,实际上并不使用手机,但是仍然有许多不必要的进程和模块在手机的后台运行,会占用大量的传输能耗和计算能耗,如后台应用程序和GPS定位模块等。如果手机终端可以准确识别用户是否处于睡眠状态,则当用户处于睡眠状态时,可以在后台终止不必要的进程或模块,手机进入低功耗模式,提升续航能力。用户的行为和状态可以由手机上丰富的传感器数据和人机交互信息获得,故可利用这些信息来推断用户是否处于睡眠状态。在后台终止进程或模块时,需要考虑用户使用体验,不能有较多的误杀操作,当采用常用的指标如精准率和召回率时,不能较好的避免预测结果频繁跳变,而预测结果频繁的跳变会带来较多的误杀,这会严重影响用户的使用体验,因此设计了唤醒率和覆盖率为指标,唤醒率关注手机省电效率,覆盖率关注用户使用体验。现有的睡眠预测主要集中在健康领域,通常预测睡眠时间长短,睡眠质量等与用户健康相关的量,常采用如决策树,SVM,LSTM网络等模型,在本课题中,直接采用这些模型做预测会造成较多误杀操作,不能达到良好用户体验的效果。针对以上问题,本文提出了一种基于演化LSTM神经网络的模型,分别构建群体模型和个体模型。群体模型面向群体数据构建,作为出厂模型和退避模型,设计时考虑大多数用户的特性。个体模型基于群体模型构建,在群体模型的基础上着重考虑个性化和动态性。利用LSTM神经网络可以较好的处理序列数据的特点,并借助差分演化算法进行训练,直接优化唤醒率和覆盖率的综合目标。覆盖率表示用户睡眠时手机处于低功耗模式的时间比例,高覆盖率意味着高省电效率。唤醒率关注预测结果跳变次数,低唤醒率意味着良好的用户体验。在群体模型上,相较于传统的分类模型可以在唤醒率较低时,覆盖率提升约5%。针对个体模型,采用基于聚类和微调的策略体现个性化,采用概念漂移检测和滑动窗口训练的方法监测用户数据的动态性变化。实验结果表明,采用上述方法可以较好的反应个体用户数据的个性化和动态变化。