CN103425564B - 一种智能手机软件使用预测方法 - Google Patents

Abstract

本发明涉及一种智能手机软件使用预测方法，与现有技术相比解决了无法针对智能手机中的软件使用进行提前预测的缺陷。本发明包括以下步骤组成：1）数据预处理，对手机内的软件使用情况进行信息预处理，为预测方法提供数据支持；2）预测下一时间槽使用的软件，根据先期手机内软件使用情况预测下一时间槽使用何种软件预先加载。本发明可以预测智能手机上用户的软件使用情况。该方法同时考虑了用户行为的周期性变化和每个用户最近行为的影响，这样用很少的参数就达到了低复杂度和自学习的目标，具有简单而高效的特点。

Description

一种智能手机软件使用预测方法

技术领域

本发明涉及软件应用技术领域，具体来说是一种智能手机软件使用预测方法。

背景技术

近几年来，随着智能手机技术的提升也使得移动应用得到了快速发展。如今的智能手机通常支持多种多样的应用和服务，比如音乐、视频、网页浏览、游戏以及拍照等，远远超越了传统的以通话为中心的服务。智能手机技术的快速发展已经使得移动终端应用广泛盛行，如此多样的移动应用也使得智能手机更加有趣和人性化，与此同时运行这些应用程序也成为了智能手机的主要功能。大量的移动应用软件被下载和安装，一个智能手机用户会同时打开和使用多个应用。当今智能手机的资源有限，这就要求研究者和公司更加注意如何有效的管理这些移动应用。电池和内存的有限容量目前已经成为了智能手机的瓶颈，因为多个应用同时运行会消耗很多的资源，不仅浪费了手机的电池电量也浪费了手机的内存容量，特别是有些消耗没有必要产生的。同时运行太多的应用程序延长响应时间，影响用户的体验。如何开发出一种有效管理移动软件的方法，可以针对智能手机中的软件使用进行预测从而在需要使用时预先加载已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中无法针对智能手机中的软件使用进行提前预测的缺陷，提供一种智能手机软件使用预测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种智能手机软件使用预测方法，包括以下步骤组成：

数据预处理，对手机内的软件使用情况进行信息预处理，为预测方法提供数据支持；

预测下一时间槽使用的软件，根据先期手机内软件使用情况预测下一时间槽使用何种软件预先加载。

所述的数据预处理包括以下步骤组成：

建立一个m×h的矩阵a，m为手机使用的软件数目，h为划分的时间槽；

监测手机内软件使用情况，每使用一个软件A在矩阵a中加入记录；

针对矩阵a中的软件使用记录，从后台数据库提取该软件A的所有数据记录信息；

删除软件数据记录信息中无关的特征；

将有用的数据记录信息按使用时间进行分类，每个软件A使用时间序列分成h个子序列，N_Ai表示用户在第i个子序列内中使用软件A的次数序列，N_Ai可以表示为：

N_Ai={N_A,i,N_A,i+h,…,N_A,i+kh}，i=1,…h；

将最近时间槽T_i中的N_Ai提出单独记录；

对矩阵a中的记录信息进行更新处理，在时间槽Ti周期内监测是否有软件运行，若有，则继续进行第22步操作；若没有则向下进行预测步骤。

所述的预测下一时间槽T_i+kh使用的软件包括以下步骤组成：

提取N_Ai序列和最近时间槽T_i+kh-1中的N_Ai记录；

预测在下一个时间槽T_i+kh所会使用的软件，对于每个软件A其子序列N_Ai将会被选择，新值N_A，i+kh基于N_Ai计算出；

对新值N_A，i+kh进行降序排列，排序靠前的软件为下一时间槽的预测使用软件。

所述的新值N_A，i+kh基于N_Ai的计算方法包括以下步骤组成：

使用指数滑动平均方法来计算新值N_A，i+kh；

将值N_A,i+kh看作是累计加权平均中对于子序列N_Ai的权值之和S_k，N_A,i+kh按以下计算：

$N_{A,i+\mathrm{kh}}=S_k=\left\{\begin{array}{c}{N}_{A,i},k=1\\ \mathrm{\λ}{N}_{A,i+(k-1)h}+(1-\mathrm{\λ})S_{k-1},k>1\end{array}\right..$

所述的新值N_A，i+kh基于N_Ai的计算方法包括以下步骤组成：

使用累计概率分布方法来计算新值N_A，i+kh；

A在第i时间槽内的使用概率按以下计算：

表示在每个第i时间槽内的总的使用次数，表示A应用的总的使用次数。

所述的新值N_A，i+kh基于N_Ai的计算方法还包括惩罚项，所述的惩罚项为A在第i时间槽内的使用概率按以下计算：

有益效果

本发明的一种智能手机软件使用预测方法，与现有技术相比可以预测智能手机上用户的软件使用情况。该方法同时考虑了用户行为的周期性变化和每个用户最近行为的影响，这样用很少的参数就达到了低复杂度和自学习的目标，具有简单而高效的特点。

附图说明

图1为本发明所述方法的流程图

图2为本发明中数据预处理方法的流程图

图3为本发明中预测下一时间槽使用软件方法的流程图

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

如图1所示，本发明所述的一种智能手机软件使用预测方法，包括以下步骤组成：第一步，数据预处理，对手机内的软件使用情况进行信息预处理，数据预处理为预测算法实施做了前期准备，为预测方法提供数据支持。第二步，预测下一时间槽使用的软件，根据先期手机内软件使用情况预测下一时间槽使用何种软件预先加载。数据预处理不仅是预测方法，也是所有数据挖掘的一个重要的前期准备工作。由于存放在在数据库中的数据是冗余且杂乱无章的，因此我们必须仔细分析数据模型，确定需要的建模数据结构，然后从数据库中抽取所需的建模数据，然后对这些建模数据进行一定的变形，得到方法所需数据，预测算法的好坏是决定预测效果的最关键部分，因此提出“固定周期长度预测方法”作为预测方法。

如图2所示，数据预处理的方法包括以下步骤组成：

第一步，建立一个m×h的矩阵a，m为手机使用的软件数目，h为划分的时间槽。建立矩阵a用于信息数据的存储和调用，维持一个m×h的矩阵，然后新的观测值可以很容易的用于下次计算中。并且在一个时间槽内做预测的计算复杂度接近于对矩阵新值的排序。

第二步，监测手机内软件使用情况，每使用一个软件A在矩阵a中加入记录。m×h的矩阵最初为0×h矩阵,待监测到一个软件A的使用信息后，再增加一条变成1×h的矩阵。这样可以保证部分软件在手机内安装后不使用，则不纳入预测考虑范围之内的效果，增加了方法的效率。

第三步，针对矩阵a中的软件使用记录，从后台数据库提取该软件A的所有数据记录信息，包括软件的使用日志、GPS数据、系统信息、GSM数据、电话记录、传感器数据等。

第四步，删除软件数据记录信息中无关的特征。剔除一些无关的特征，仅保留用户ID、使用的app以及使用的时间，且把时间按小时划分为24个时段，且保证用户的使用天数要大于等于60天。24个时段和60天更利用方法的使用效率，但也可以按其他的时间分配方式来进行固定时间槽的定义和处理。普遍看来，大多数人都是遵循24小时一天7天一周的规律来工作和休息的。与此同时，我们很容易理解近期使用的移动应用迟早可能会被再次使用。因此，我们可以考虑根据这两个因素来提出一种新颖的方法。“固定周期长度的预测方法”，它既考虑了用户行为周期变化的因素也包含了移动用户最近使用行为的影响的因素。在这个方法中，有两个参数，一个是用来切分日志的时间槽长度l，比如一小时。另一个是通过分析移动用户通常的行为所固定在智能手机上的周期长度h。例如，固定24小时作为一个周期长度会是一个很好的选择，因为它是大多数人的作息周期。有了固定的l和h，这个固定周期长度预测算法就可以使用时间序列来记录用户使用日志，并且在智能手机上实时的预测用户使用模式。

第五步，将有用的数据记录信息按使用时间进行分类，每个软件A使用时间序列分成h个子序列，N_Ai表示用户在第i个子序列内中使用软件A的次数序列，N_Ai可以表示为：N_Ai={N_A,i,N_A,i+h,…,N_A,i+kh}，i=1,…h。如果周期很明显并且可信，我们只需要考虑子序列N_Ai来预测N_{A,i+（k+1）h}，而不是整个序列。与此同时，对于大多数移动用户来说，一天24小时一周7天的周期是很明显且可信的。用这种方式，我们将原始的时间序列按照每个子序列进行切分。

第六步，将最近时间槽T_i中的N_Ai提出单独记录。我们注意到用户的近期行为对预测过程通常更加重要。同样的一个应用一周前使用和一天前使用显示出了不同的重要度。用户在一个时间槽内执行了某个应用，那么很可能在下个时间段内会再次使用。比如说，一个用户可能玩了会游戏，然后停了下来，休息会后他可能继续玩。在这个短暂的休息期间，如果我们给这个用户做预测，那么在前几个小时内使用过的应用中，相比较其它应用，游戏这个应用应该有更高的排名。因此，历史影响和近期行为都应该考虑到预测方法中。

第七步，对矩阵a中的记录信息进行更新处理，在时间槽Ti周期内监测是否有软件运行，若有，则继续进行第二步操作；若没有则向下进行预测步骤。如果在当时时间槽Ti周期内发现又有软件运行，则影响了矩阵a内的数据堆积，则继续执行第二步，更新矩阵a；若没有，则可以以当前的矩阵a以基准对下一时间槽T_i+1进行预测。

如图3所示，预测下一时间槽使用软件的方法包括以下步骤组成：

第一步，提取N_Ai序列和最近时间槽T_i中的N_Ai记录。通过对一定时间槽内软件使用的次数和最近时间槽内软件使用的次数，这两个因素相结合判断出下一时间槽会使用何种软件，从而进行预测。

第二步，预测在下一个时间槽T_i+kh所会使用的软件，对于每个软件A其子序列N_Ai将会被选择，新值N_Ai+kh基于N_Ai计算出。前面已经固定了时间槽的长度，针对固定时间来进行预测。我们使用两种方法来得到新值，一个是指数滑动平均EWMA，另一个是累计概率分布CPD。

指数滑动平均计算的方法为将值N_A,i+kh看作是累计加权平均中对于子序列N_Ai的权值之和S_k，N_A,i+kh按以下计算：

$N_{A,i+\mathrm{kh}}=S_k=\left\{\begin{array}{c}{N}_{A,i},k=1\\ \mathrm{\λ}{N}_{A,i+(k-1)h}+(1-\mathrm{\λ})S_{k-1},k>1\end{array}\right..$

累计概率分布计算的方法为：

软件A在第i时间槽内的使用概率按以下计算：

表示在每个第i时间槽内的总的使用次数，表示A应用的总的使用次数。由于每个使用过的应用在特定的时间槽内的概率可以计算得到，我们可以选择更高概率的应用作为候选者。然而对于偶尔使用的应用仍然存在偏差问题。比如，一个应用在很长一段时间内只被一个特定的用户使用了一次，那么它的使用序列就会这样{0,…0,1,0,…0}，那它在使用期间其概率就将为100%。这是一个很高的值，但对于预测却毫无意义。因此，我们引入了一个惩罚项来解决此问题：所述的惩罚项为A在第i时间槽内的使用概率按以下计算：

第三步，对新值N_A，i+kh进行降序排列，排序靠前的软件为下一时间槽的预测使用软件，排序靠后的软件则当前使用的概率较低。

本方法使用固定的l和h，这个固定周期长度预测方法就可以使用时间序列来记录用户使用日志，并且在智能手机上实时的预测用户使用模式。当要预测在T_t+1=T_i+kh(k=1,2,3,…)时间槽内哪个应用会被使用时，那么对于每个应用A其子序列N_A,i将会被选择，并且新的值N_A,i+kh可以基于N_A,i计算出。然后所有的应用的预测值可以按照降序排序。用这种方法就可以自动的进行后台软件管理，在智能手机用户在相应的时间槽中将预测的软件调入缓存，在不使用的时间槽内关闭程序，从而节省电量和内存资源。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (5)

1.一种智能手机软件使用预测方法，其特征在于，包括以下步骤：

1)数据预处理，对手机内的软件使用情况进行信息预处理，为预测方法提供数据支持；所述的数据预处理包括以下步骤：

11)建立一个m×h的矩阵a，m为手机使用的软件数目，h为划分的时间槽；

12)监测手机内软件使用情况，每使用一个软件A在矩阵a中加入记录；

13)针对矩阵a中的软件使用记录，从后台数据库提取该软件A的所有数据记录信息；

14)删除软件数据记录信息中无关的特征；

15)将有用的数据记录信息按使用时间进行分类，每个软件A使用时间序列分成h个子序列，N_Ai表示用户使用软件A的时间序列的第i个子序列，N_Ai表示为：

N_Ai＝{N_A,i,N_A,i+h,…,N_A,i+kh}，i＝1,…h，

k为每个软件A使用时间序列分成h个子序列中子序列的长度；

16)将最近时间槽T_i中的N_Ai提出单独记录；

17)对矩阵a中的记录信息进行更新处理，在时间槽T_i周期内监测是否有软件运行，若有，则继续进行第12步操作；若没有则向下进行预测步骤；

2)预测下一时间槽T_i+kh使用的软件，根据先期手机内软件使用情况预测下一时间槽使用何种软件并预先加载该种软件。

2.根据权利要求1所述的一种智能手机软件使用预测方法，其特征在于：所述的预测下一时间槽T_i+kh使用的软件包括以下：

21)提取最近时间槽T_i+kh-1的N_Ai记录，其中T_i+kh-1表示第i+kh-1个时间槽；

22)预测在下一个时间槽T_i+kh所会使用的软件，对于每个软件A其子序列N_Ai将会被选择，新值N_A，i+kh基于N_Ai计算出；

23)对新值N_A，i+kh进行降序排列，排序靠前的软件为下一时间槽的预测使用软件。

3.根据权利要求2所述的一种智能手机软件使用预测方法，其特征在于：所述的新值N_A，i+kh基于N_Ai的计算方法包括以下步骤：

31)使用指数滑动平均方法来计算新值N_A，i+kh；

32)将新值N_A,i+kh看作是累计加权平均中对于子序列N_Ai的权值之和S_k，N_A,i+kh按以下计算：

$N_{A,i+kh}=S_k=\left\{\begin{array}{c}{N}_{A,i},k=1\\ {\mathrm{\λN}}_{A,i+(k-1)h}+(1-\mathrm{\λ})S_{k-1},k>1\end{array}\right.,$

其中，k为每个软件A使用时间序列分成h个子序列中子序列的长度，λ为计算S_k时的变量权重，λ∈[0,1]。

4.根据权利要求2所述的一种智能手机软件使用预测方法，其特征在于，所述的新值N_A，i+kh基于N_Ai的计算方法包括以下步骤：

41)使用累计概率分布方法来计算新值N_A，i+kh；

42)A在第i时间槽内的使用概率按以下计算：

表示在每个第i时间槽内的总的使用次数，

表示软件A应用的总的使用次数，P_A,i是软件A在第i时间槽内的使用概率，l为时间槽对应子序列的长度，k为每个软件A使用时间序列分成h个子序列中子序列的长度，T为每个软件A总的使用时间序列的长度，即序列中时间槽总数为T，t为T中的具体数值，t＝0,1,...,T。

5.根据权利要求4所述的一种智能手机软件使用预测方法，其特征在于：所述的新值N_A，i+kh基于N_Ai的计算方法还包括惩罚项，所述的惩罚项为A在第i时间槽内的使用概率按以下计算：

其中，l为时间槽对应子序列的长度，k为每个软件A使用时间序列分成h个子序列中子序列的长度，T为每个软件A总的使用时间序列的长度，即序列中时间槽总数为T，t为T中的具体数值，t＝0,1,...,T。