¿Cómo estimar el tiempo de descarga restante (con precisión)?

Question

Claro que podría dividir el tamaño del archivo restante por la velocidad de descarga actual, pero si la velocidad de descarga fluctúa (y lo hará), esto no produce un resultado muy bueno. ¿Cuál es un mejor algoritmo para producir cuentas regresivas más suaves?

Answer 1

Un exponential moving average es ideal para esto. Proporciona una forma de suavizar su promedio, de modo que cada vez que agrega una nueva muestra, las muestras antiguas se vuelven cada vez más importantes para el promedio general. Todavía se consideran, pero su importancia cae exponencialmente, de ahí el nombre. Y dado que es un promedio "en movimiento", solo tiene que mantener un solo número alrededor.

En el contexto de la medición de la velocidad de descarga de la fórmula sería el siguiente:

averageSpeed = SMOOTHING_FACTOR * lastSpeed + (1-SMOOTHING_FACTOR) * averageSpeed; 

SMOOTHING_FACTOR es un número entre 0 y 1. Cuanto más alto sea este número, más rápido muestras más antiguas se descartan. Como puede ver en la fórmula, cuando SMOOTHING_FACTOR es 1, simplemente está utilizando el valor de su última observación. Cuando SMOOTHING_FACTOR es 0 averageSpeed, nunca cambia. Entonces, quiere algo intermedio, y generalmente un valor bajo para obtener un alisamiento decente. Descubrí que 0.005 proporciona un valor de suavizado bastante bueno para una velocidad de descarga promedio.

lastSpeed es la última velocidad de descarga medida. Puede obtener este valor ejecutando un temporizador cada segundo para calcular cuántos bytes ha descargado desde la última vez que lo ejecutó.

es obviamente el número que desea utilizar para calcular el tiempo restante estimado. Inicialice esto en la primera medición lastSpeed que obtenga.

Answer 2

Creo que lo mejor que puede hacer es dividir el tamaño del archivo restante por la velocidad promedio de descarga (descargada hasta el momento dividida por cuánto tiempo ha estado descargando). Esto fluctuará un poco para comenzar, pero será más y más estable cuanto más tiempo tarde en descargar.

Answer 3

speed=speedNow*0.5+speedLastHalfMinute*0.3+speedLastMinute*0.2 

Answer 4

En extensión a la respuesta de Ben Dolman, también podría calcular las fluctuaciones dentro del algoritmo. Será más suave, pero también predecirá la velocidad de avance.

algo como esto:

prediction = 50; 
depencySpeed = 200; 
stableFactor = .5; 
smoothFactor = median(0, abs(lastSpeed - averageSpeed), depencySpeed); 
smoothFactor /= (depencySpeed - prediction * (smoothFactor/depencySpeed)); 
smoothFactor = smoothFactor * (1 - stableFactor) + stableFactor; 
averageSpeed = smoothFactor * lastSpeed + (1 - smoothFactor) * averageSpeed; 

fluctuación o no, va a ser a la vez tan estable como la otra, con los valores correctos para la predicción y depencySpeed; tienes que jugar con eso un poco dependiendo de tu velocidad de internet. Esta configuración es perfecta para una velocidad media de 600 kB/s mientras fluctúa de 0 a 1 MB.

Answer 5

Escribí un algoritmo hace años para predecir el tiempo restante en un programa de imágenes y multidifusión de disco que usaba una media móvil con un restablecimiento cuando el rendimiento actual salía de un rango predefinido. Mantendría las cosas sin problemas a menos que sucediera algo drástico, luego se ajustaría rápidamente y luego volvería a una media móvil nuevamente. Véase el ejemplo gráfico aquí:

La línea azul gruesa en ese ejemplo gráfico es el rendimiento real en el tiempo. Observe el bajo rendimiento durante la primera mitad de la transferencia y luego salta dramáticamente en la segunda mitad. La línea naranja es un promedio general. Tenga en cuenta que nunca se ajusta lo suficiente como para dar una predicción precisa de cuánto tardará en terminar. La línea gris es una media móvil (es decirel promedio de los últimos N puntos de datos: en este gráfico N es 5, pero en realidad, N podría necesitar ser más grande para suavizarse lo suficiente). Se recupera más rápido, pero aún tarda un tiempo en ajustarse. Llevará más tiempo que el N más grande. Entonces, si sus datos son bastante ruidosos, entonces N tendrá que ser más grande y el tiempo de recuperación será más largo.

La línea verde es el algoritmo que utilicé. Va de la misma manera que una media móvil, pero cuando los datos se mueven fuera de un rango predefinido (designado por las líneas azul claro y amarillo claro), restablece la media móvil y salta inmediatamente. El rango predefinido también se puede basar en la desviación estándar para que pueda ajustarse a la forma en que los datos son ruidosos automáticamente. Acabo de lanzar estos valores a Excel para diagramarlos para esta respuesta, por lo que no es perfecto, pero entiendes la idea.

Sin embargo, se podrían idear datos para hacer que este algoritmo no sea un buen predictor del tiempo restante. La conclusión es que debe tener una idea general de cómo espera que se comporten los datos y elegir un algoritmo en consecuencia. Mi algoritmo funcionó bien para los conjuntos de datos que estaba viendo, así que seguimos usándolo.

Otro consejo importante es que, por lo general, los desarrolladores ignoran los tiempos de instalación y desmontaje en sus barras de progreso y los cálculos de estimación de tiempo. Esto da como resultado la eterna barra de progreso del 99% o 100% que permanece ahí durante mucho tiempo (mientras se vacían los cachés o se realizan otros trabajos de limpieza) o estimaciones iniciales desenfrenadas cuando se realiza el escaneo de directorios u otras tareas de configuración, acumulando tiempo pero no acumula ningún progreso porcentual, lo cual arroja todo. Puede ejecutar varias pruebas que incluyen los tiempos de instalación y desmontaje y obtener una estimación de cuánto tiempo son en promedio o según el tamaño del trabajo y agregar ese tiempo a la barra de progreso. Por ejemplo, el primer 5% de trabajo es trabajo de configuración y el último 10% es trabajo de desmontaje y luego el 85% en el medio es la descarga o el proceso de repetición que sigue su seguimiento. Esto puede ayudar mucho también.