移动游戏产业已将智能手机从通信工具转变为强大的游戏平台，2024年全球市场规模已超过926亿美元（Clement, 2024）。这一发展使得移动硬件的性能和计算需求大幅提升，从而带来了严峻的散热管理挑战。与拥有专用冷却系统的台式电脑不同，移动设备必须在严格的尺寸和重量限制下保持良好的散热性能，尤其是在长时间玩游戏时，处理器的负载水平一直处于较高状态（Gao et al., 2015; Garimella et al., 2016）。由于用户的手直接接触手机，散热体验成为整体用户体验的重要部分。随着高性能移动游戏的日益流行，包括多人竞技游戏和图形要求较高的角色扮演游戏，有效的散热管理变得比以往任何时候都更为重要。
目前，移动设备的散热管理主要依赖于硬件解决方案以及组件级的温度阈值（He et al., 2020; Torres et al., 2023）。这些方法基于静态阈值设置预定义的降频机制，虽然能够有效保护硬件组件，但往往无法考虑用户散热体验的主观因素。实际上，用户的散热体验不仅取决于绝对温度值，还与温度分布、时间变化趋势以及使用场景密切相关（Wang et al., 2020a, Wang et al., 2020b; Yu and Wu, 2018），而且这些因素在不同个体和不同场景下差异很大（Kang et al., 2019）。以往关于智能手机触觉感知的研究主要关注视频录制和流媒体播放等常规使用场景下的表面温度分布及用户的热感受，确定了关键的温度区间，并分析了设备形态和握持方式对热感受的影响（Chen et al., 2026）。然而，移动游戏则带来了截然不同的散热环境：处理器持续高负荷运行、游戏时长较长，再加上用户的高度专注，都会产生一些尚未被系统研究的温度模式和体验特征。
要开发出有效的散热体验评估系统，需要解决若干与游戏场景相关的特殊问题。热量在空间上的分布既复杂又动态，因此如果不进行系统研究，就很难确定最佳的传感器放置位置；此外，客观的温度测量结果与主观的用户体验之间的关系也具有非线性特征，且会因场景和用户群体的不同而有所差异（Kang et al., 2019）。尽管机器学习方法在环境热舒适度预测方面已展现出一定潜力（Al-Sharif et al., 2024; Boutahri and Tilioua, 2024），但其应用于移动游戏中的散热体验评估尚属空白。游戏场景中的温度变化迅速，热量分布高度局部化，且用户交互模式也与普通环境舒适度测试有很大不同，因此评估模型不仅要保证预测精度，还要考虑到游戏过程中移动设备的计算限制。
因此，现有研究中还存在两个重要缺陷。首先，目前还没有经过实证验证的方法来确定哪些温度监测位置最有利于评估游戏中的散热体验，导致传感器布局缺乏系统性的指导。其次，机器学习方法在移动游戏散热体验评估中的适用性、算法选择以及性能特点尚不清楚。本研究通过以下研究问题来解决这些问题：RQ1：在游戏过程中，不同的温度监测点在预测用户散热体验方面的相对重要性如何？RQ2：不同的机器学习方法在评估散热体验方面的效果如何，尤其是在热感受回归和满意度分类方面？RQ3：在不同设备架构的移动游戏场景中，与不同散热体验相关的关键温度范围是什么？为了解答这些问题，本研究设计了对照实验，让参与者在多种设备类型（高端标准型、游戏旗舰型、横向折叠屏以及纵向折叠屏）上多次进行游戏测试。基于这些实验数据，研究通过特征重要性分析制定了最优的监测策略，评估了用于回归分析和分类分析的多种机器学习算法，并确定了不同设备架构下的关键温度范围。
本研究的结果从三个方面为移动设备的散热管理提供了帮助。首先，通过对八个监测点的特征重要性分析，为移动游戏设备中的传感器布局提供了经过实证验证的指导，证明只需三个战略性放置的传感器即可实现高精度的散热体验评估。其次，通过在不同标准和更严格的验证条件下对比线性与非线性机器学习算法，为将机器学习方法应用于游戏散热体验评估奠定了方法学基础。最后，通过确定四种不同设备架构下的关键温度阈值，为面向游戏功能的设备的散热管理系统设计提供了实证依据。
