智能手机迅速发展,功能丰富化应用多样化的同时,能耗也不断增加。但由于物理尺寸及电池技术的限制,导致其续航能力得不到提升。智能手机的应用程序离不开网络支持,研究表明,网络请求是造成智能手机耗能的重要原因之一。因此,大量研究者从网络传输方面降低能耗,将网络请求推迟进行合并转发是其中一种方法,但一定程度会影响用户体验。通过对不同使用场景设置不同的延迟时间可在牺牲少量用户体验的前提下降低更多能耗。本文采用随机森林机器学习分类算法进行使用场景的分类识别,分别选取小说、视频、音乐三个使用场景的系统调用作为特征,基于RFECV方法进行改进得到P-RFECV特征选择算法,从141个特征中提取对使用场景分类相对重要的8个特征,用于训练随机森林分类模型,改进的P-RFECV特征选择算法可将模型分类准确率提高到96.85%。其次,本文提出一种基于统计模型检验的建模方法,模拟延迟合并转发网络请求对Wi Fi模块能耗和用户体验的影响,计算不同使用场景下各自的最优合并转发延迟时间。根据此方法,使用工具UPPAAL,基于概率时间自动机构建Wi Fi模块以及用于合并转发用户请求的模型。在不同使用场景中,各类用户请求都有其各自的概率分布,分别使用概率时间自动机对每个使用场景的不同用户请求种类的概率分布做出定义。然后,使用模型验证工具UPPAAL-SMC对构建的模型进行正确性验证,使用统计模型检验的方法模拟每个使用场景并收集能耗和用户不适感数据,通过顺序检验的方法检验数据的显著性以减少模拟次数。最后,权衡能耗和不适感,进行多目标优化,在每个场景的帕累托最优值中选出各自场景以及通用的最优延迟合并转发时间。实验结果表明,此方法可有效计算用户体验和能耗之间的最佳平衡,即最优合并转发延迟时间,为开发者提供参考。