Конечно, без проблем. Держи модель максимально легкой: просто фиксированный список последних N событий потребления, где-то по 50 на каждый тип. Каждое новое значение обновляет скользящее среднее и простейший линейный тренд – просто прибавляем новое значение и вычитаем самое старое. Получается скользящее среднее и наклон без хранения всего. Для кэша используй LRU-лист на устройстве, но ограничь размер рамками доступной памяти – выкидывай самый старый элемент, если достиг лимита. Когда появится соединение, отправляй только дельту: количество каждого элемента, временную метку и последнее значение тренда. На сервере эти дельты объединяются в глобальную модель, которая может возвращать более точный прогноз. Используй очень простой фильтр Калмана для каждого типа элемента – всего несколько умножений и обновление состояния. Вот и все, что нужно, чтобы остаться в пределах 1 МБ оперативной памяти и держать низкую задержку. Синхронизируйся при появлении Wi-Fi сигнала или по расписанию, но никогда не блокируй основной поток. Просто, быстро и предсказуемо.