CN107451694A - 一种用于移动系统中上下文感知与自适应的应用预测方法 - Google Patents
一种用于移动系统中上下文感知与自适应的应用预测方法 Download PDFInfo
- Publication number
- CN107451694A CN107451694A CN201710654323.6A CN201710654323A CN107451694A CN 107451694 A CN107451694 A CN 107451694A CN 201710654323 A CN201710654323 A CN 201710654323A CN 107451694 A CN107451694 A CN 107451694A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- app
- prediction
- precision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明公开了一种用于移动系统中上下文感知与自适应的应用预测方法,它包括有以下步骤:步骤1、从大量的移动设备收集到的数据中提取对改善移动应用预测精度有效的记录信息作为训练集;步骤2、使用非均衡的贝叶斯模型进行训练,基于步骤1提取到的训练集,训练得到应用使用概率模型;3、应用使用概率模型,基于感知到的当前上下文信息,预测接下来即将使用到的应用,比较预测得到的即将使用的应用与实际使用的应用得到当前的预测精度,然后采用一种弹性算法根据当前的预测精度自适应地调整每个预测周期的大小,以减少训练代价。本发明的技术效果是:提高了应用预测精度,且有效地减少了预测模型的训练代价。
Description
技术领域
本发明属于移动系统应用预测技术领域,具体涉及一种上下文感知与自适应的应用预测。
背景技术
移动系统上的移动应用变得越来越多、越来越大,加大了电量和内存量的供给压力。应用预测是指预测即将使用的应用,它能改善用户体验。但是,现有的应 用预测方法存在两个的问题:一是预测精度低;二是训练代价高。特别是在应 用预测的一些使用领域,例如内存管理、移动应用预启动,这需要应用预测精 度高且训练代价低,现有应用预测方法无法满足使用要求。
基于贝叶斯模型的应用预测方法能够提高预测精度,该方法主要分为两步:
第一步,计算每个应用的Score,指标Score衡量了后续即将开启某个应用 的概率,Score的计算公式如下所示,其中App表示一个移动应用,α,β,θ指 使用的上下文特征,n(β,θ)表示训练集中同时出现β,θ两个特征的记录数目, P(App|α)表示在α特征下使用应用App的条件概率。
Score(App)=P(App|α)×P(App|β,θ) (1)
第二步,选择Score最高的k个应用作为我们预测的接下来即将开启的应用。
从上述公式(2)可以看到:不管陈旧的还是新的一条记录都是计数为1, 由于用户使用应用的模式随着时间是不断变化的,同等地对待陈旧的记录与新 的记录是不正确的。下面通过实验验证了这一结论:实验中,每过5周,统计 一次5个最频繁使用的应用的使用概率,总共统计了4个用户;一个用户对于 每个应用有10个对应的使用概率,这10个概率依次对应从第一个5周时间间 隔到第10个5周时间间隔该应用的使用概率。
实验结果如图1所示,对于用户1,基于该用户的整个数据集,5个最频繁 使用的应用按照使用概率由高到低排序依次为MobileSMS,mobilephone, mobilemail,mobilesafari,mobiletimer;但在第10个5周时间间隔内,发现mobilesafari的使用概率低于mobiletimer;图1中用户1的折线给出了该间隔内 的上述的5个应用的使用概率变化趋势。对于用户2,从其整个数据集分析,5 个最频繁使用的应用按照使用概率由高到低排序依次为:MobileSMS, mobiletimer,mobilephone,mobilemail,2Do;然而基于用户2第3个5周时间间 隔,如图中标注的折线所示,mobilephone的使用概率高于mobiletimer。对于用户3与4也存在相同的情形,如图1中折线所示。由此,可以得出,对于每个 用户,应用的使用模式会随着时间而发生变化。在应用预测中同等地对待陈旧 的记录与较新的记录是不合理的。
另外,基于贝叶斯模型的应用预测方法趋向于使用大量的数据集,但是考 虑到用户使用移动应用的模式会随着时间发生变化,太久的记录可能对当前应 用的预测并没有帮助,反而有可能阻碍预测器对新模式的学习。下面通过第二 个实验验证了这一结论:该实验探索了当贝叶斯模型使用不同大小时间间隔的 数据集作为训练集时,预测精度的变化情况。图2展示了5个用户的实验结果, 图中箭头指向该曲线所采用的纵轴,横坐标表示训练集的大小(单位为1周内 的记录数目),应用预测精度首先会随着训练集的变大而上升,随后,应用预测 精度下降。也就是说,采用大的训练集并不能得到高的预测精度。对于大多数 用户,当选取5周的数据集作为训练集能取得较高的应用预测精度。
发明内容
针对现有技术存在的问题,本发明所要解决的技术问题就是提供一种用于移动系统 中上下文感知与自适应的应用预测方法,该方法能区别地对待陈旧的记录与新的记录,使新的记录对应用预测产生更大的影响,感知上下文特征,提高预测精度; 另外,该方法根据当前的预测精度自适应地调整预测周期的大小,在保持预测精 度的条件下,减少训练的次数。
本发明所要解决的技术问题是通过这样的技术方案实现的,它包括以下步骤:
步骤1、预处理阶段,从大量的移动设备收集的数据中选用对移动应用预测有 用的上下文特征的记录作为训练集;
步骤2、训练阶段,使用非均衡的贝叶斯模型进行训练,该模型对训练集中较新的记录赋予更大的权重,使非均衡贝叶斯模型能更适应用户使用应用模式的变化,以及利 用步骤1提取的上下文信息,训练得到一个应用使用概率模型;这个应用使用概率模 型是一个M×Q的矩阵,M表示移动系统上安装的应用个数,Q表示上下文特 征个数,矩阵中的每个数值表示在对应上下文特征下相应应用使用的概率;
步骤3、预测阶段,依据步骤1感知当前移动应用使用的上下文特征值,根据步骤 2得到的应用使用概率模型,预测接下来即将使用的应用,求取当前的预测精度;然后 根据预测精度采用弹性算法自适应地调整每个预测周期的大小。
当平均预测精度较低时,弹性算法会减少预测周期的长度;相反,当平均预测精度较高时,弹性算法会增加预测周期的长度。
由于在非均衡贝叶斯模型中,根据训练集中每条记录发生的时间,对每条 记录赋予不同的权重,使最新的记录对应用的预测产生更大的影响,从而实现 预测精度的改善;另外,在步骤3中采用了弹性算法,动态地判断当前预测精度 的高低;然后,根据判断结果自适应地调整预测周期的大小,从而实现减少训 练代价的目标。
附图说明
本发明的附图说明如下:
图1为背景技术中4个用户面对5个频繁使用的应用的概率直方图;
图2为背景技术中5个用户针对不同大小训练集的预测精度曲线图;
图3为训练与预测的波形图
图4为预测周期构成图;
图5为弹性算法的流程图;
图6为四种应用预测模型预测精度的测试结果对比图;
图7为本发明与传统贝叶斯模型训练代价的测试结果对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
本发明的运行环境是:一台移动设备,它包括CPU,DRAM,Flash等必要 的硬件设备,能够运行基于Linux Kernel的操作系统
在移动系统中,本发明包括以下步骤:
步骤1、从大量的移动设备收集的数据中选用那些包含对移动应用预测有用 的上下文特征的记录作为训练集。
本发明在中,选择了应用使用的位置、时间、网络状态、电池状态以及最 近使用的应用等上下文特征。
时间特征包括属于周末还是工作日、属于一天的哪个时间段两个特征。网 络状特征态采用网速,为了便于处理,将网速进行离散化处理,按照网速大小 分为三个等级;考虑到电量的多少以及是否正在充电都对移动应用的使用会造 成影响,因此,选择了电量以及当前是否正在充电两个特征。
由于两个连续使用的应用之间存在相关性(即,对于两个连续使用的应用 App1,App2,当开启应用App1后,应用App2很有可能接下来会被使用),本发 明使用最近使用的应用(即两个连续使用的应用的前一个)作为一个特征。本 步骤使用了7种上下文特征,这些上下文特征描述了移动应用使用时的状态, 见表1:
表1
flc | 位置信息 |
fd | 属于周末还是工作日 |
fh | 属于一天的哪个时间段 |
fns | 网络速度 |
fbtl | 电量等级 |
fbtf | 电池是否正在充电 |
flp | 最近使用的应用 |
表1中的7种上下文特征,有些上下文特征相关性比较强,将这些相关性强 的特征结合在一起考虑比单独使用它们对改善应用预测的精度更有利;flc,fh,fd三个特征与fbtl,fbtf两个特征分别构成两组相关性特征。
步骤2、利用步骤1收集到的经过预处理的训练集,使用非均衡贝叶斯模型 训练得到应用使用概率模型。
本步骤的非均衡贝叶斯模型与背景技术的贝叶斯模型(简称传统贝叶斯模 型)相比,其区别是非均衡贝叶斯模型对最近的样本赋予更大的权重。
用Ω表示一个上下文特征,或者一组相关性特征(在本发明中,有两个上 下文特征fns、flp和两组相关性特征flc,fh,fd、fbtl,fbtf),建立非均衡贝叶斯 模型如下:
式(3)(4)中,Ij(Ω)表示Ω存在的函数;Ij(App,Ω)表示(App,Ω)存在 的函数,App为移动设备上安装的任意一个应用;j表示训练集中的第j条记 录。
式(5)(6)中,i为训练集中的第j条记录发生在距离当前预测周期第i天前; N为训练集中总的记录数目;Wj,i为权重值;与表示在对不同样本 赋予不同权重的情况下,训练集中出现Ω的记录数目和同时出现App,Ω的记录 数目。
权重值
式(7)中,S为一个变量,当S取为0时,新旧记录对于预测的影响相同, 这时预测精度比较低。随着S增大,训练集中较新的记录对应用预测的精度影 响越来越大(当S增大对于相同的i,权重值会变小,而i取0(对应最新记录) 时,不管S取何值,权重值总是1,这样老的记录对预测精度的影响会越来越小)。 当S太大时,训练集中老的记录对应的权重几乎为0,这样老记录对于预测几乎 没有意义,导致训练集太小,预测模型不能学习到用户使用应用的模式。通过 实验,我们发现S取0.9时,对于大多数用户能取得更高的预测精度。
式(8)中,表示在对不同样本赋予不同权重的情况下,在Ω特征下 使用应用App的条件概率。
应用上述式(3)-(8)所建立的非均衡贝叶斯模型训练应用使用概率模型 的步骤:
步骤1)、统计不同上下文特征Ω与应用App下的统计量与不同于传统贝叶斯算法中每条记录总是算作1次,根据式(7),与对不同的记录赋予不同的权重,当S取值不变,越是靠近当前预测周期的记录 权重就越大,这样处理使得模型能适应用户不断变化的应用使用模式;
步骤2)、利用式(8),求取在不同上下文特征Ω下使用应用App的条件概率
步骤3)、依照步骤1)和步骤2)计算在各种不同上下文特征Ω下所有安装 的应用的使用概率,得到了对应的应用使用概率模型。
该应用使用概率模型实际上为一个M×Q的矩阵,M表示移动系统上安装 的应用个数,Q表示上下文特征个数,矩阵中的每个数值表示在对应特征下相 应应用使用的概率。
步骤3、根据步骤2的应用使用概率模型和当前的上下文特征,求取当前的预测 精度;然后根据预测精度采用弹性算法自适应地调整每个预测周期的大小,进而减少训 练代价。
所述预测精度的计算如下:
用以下公式计算当前上下文特征的条件下,各个应用即将使用的概率Score:
式(9)中,指标Score的含义与式(1)中相同,表示即将开启某个应用App的 概率;P(App|fbtl,fbtf)是在fbtl,fbtf相关特征下使用应用App的条件概率, P(App|flc,fd,fh)是在flc,fh,fd相关特征下使用应用App的条件概率,P(App|fns) 是在fns特征下使用应用App的条件概率,P(App|flp)是在flp特征下使用应用 App的条件概率;
选取Score最高的前k个应用作为预测的接下来即将启动的应用;对于预测 结果中的每个应用,如果该应用接下来真的被使用,被称命中一次。预测精度 即为命中次数与接下来实际使用的应用个数的比值。
然后,依据上述预测精度采用弹性算法自适应地调整每个预测周期的大小。 图3为本发明采用的训练与预测波形图,每个训练周期与预测周期在时间轴上 的投影表示它们的大小。一个训练周期内的所有样本构成一个训练集,基于这 个训练集训练出一个应用使用概率模型;然后,使用该应用使用概率模型预测 接下来的预测周期内即将使用的应用。如图3所示,将第n(n=1,2,L,i,i+1,L) 个训练周期内的所有记录作为训练集,训练得到相应的应用使用概率模型,因 为第n个训练周期与第n个预测周期相隔最近,第n个训练周期内的用户使用 应用模式与第n个预测周期的用户使用应用模式最相似,所以第n个训练周期 所得的应用使用概率模型只能用来预测第n个预测周期内的使用的应用。
为了对每个预测周期选择一个合适的大小,如图4所示,将每个预测周期 分为两部分:固定时间段与动态时间段。对于固定时间段,其时间长度保持不 变;而对于动态时间段,其时间长度可以动态调整,具体调整方法见如图5所 示的弹性算法的流程图。每个预测周期开始均有一个相同的初始化长度,图4 展示了存在的两种预测周期类型,图4(a)中,动态时间段的长度超出预设的值, 最终预测周期的长度超出初始化长度;而图4(b)中最终预测周期的长度小于初 始化长度。
如图5所示,弹性算法的流程如下,该流程开始于S01,然后:
在步骤S02,统计固定时间段内的平均预测精度(预测精度依据前述步骤3 求得),本步骤固定时间段长度设置为一周,并将该周内的平均预测精度添加到 列表L中;
在步骤S03,根据动态时间段的大小(初始的动态时间段大小为预测周期的 初始化长度与固定时间段长度之差),判断当前时间点是否落入预测周期的动态 时间段内,若是,则执行步骤S04;否则执行步骤S07;
在步骤S04,计算从预测周期开始到当天为止这一段时间内的平均预测精度 Pave,其计算方法如下式:
式(10)中Z表示预测周期中到当天为止的这一段时间内总的预测次数,Pi表示第i次预测的预测精度;另外,计算最近一周的平均预测精度并添加到列表L中;
在步骤S05,判断Pave与列表L中最大值的比值是否小于预设的阈值TH1; 若是,则执行步骤S06,否则执行步骤S03;
在步骤S06,将动态时间段长度减少penalty天;然后进入接下来的一天, 执行步骤S03;
penalty的计算式为:
式(11)中,η为一个可调节的变量,TH1为预设置的阈值,max(L)为列 表L中的最大值。为了简化算法,取penalty的整数部分作为动态时间段要减 少的天数。
在步骤S07,计算整个预测周期的平均预测精度P';
在步骤S08,判断步骤S07中的P'与列表L中最大值的比值是否大于预设的 阈值TH2,若是,则执行步骤S09,否则执行步骤S10;
选择合适的阈值TH1和TH2才能实现本发明在预测精度与训练代价之间的 平衡;否则,可能由于不合适的阈值TH1和TH2导致预测精度比较高但训练代 价很高或者虽然训练代价低但精度不高两种情况。通过实验得到TH1、TH2取 0.985与0.995比较合适。
在步骤S09,增加动态时间段长度,在本发明中设置这个时间段长度为一个 常量值4天,然后执行步骤S03;
在步骤S10,程序结束。
通过上述流程实现了预测周期大小的调节,预测周期是弹性,因此称这种算 法为弹性算法。
本发明与现有技术的对比测试
本实验比较了四个应用预测模型:最频繁使用模型、最近使用模型、传统 贝叶斯模型以及本发明提出的上下文感知与自适应的应用预测方法,在预测即 将使用的9个应用时的预测精度。对于本发明,选取5周内的记录作为训练集, 预测周期的初始化长度设置为2周,权重函数中的s参数设置为0.9。
测试结果如图7所示,总共统计了10个用户,从图中可以看出:本发明在 预测精度上高于现有的3个应用预测模型。与传统贝叶斯模型、最近使用模型、 最频繁使用模型相比,本发明在预测精度上分别平均提高4.16%、4.35%、7.19%。
本发明与传统贝叶斯模型在训练代价的对比测试
本实验比较了传统贝叶斯模型与本发明预测即将使用的9个应用时的训练 次数。其中,在传统贝叶斯模型中预测周期设置为2周,在本发明中,预测周 期的初始化长度设置为2周,权重函数中的参数s设置为0.9。
测试结果如图7所示,总共统计了10个用户。本发明与与传统贝叶斯模型 相比,平均减少了66.71%的训练次数。
Claims (6)
1.一种用于移动系统中上下文感知与自适应的应用预测方法,其特征是:包括有以下步骤:
步骤1、预处理阶段,从大量的移动设备收集的数据中选用对移动应用预测有用的上下文特征的记录作为训练集;
步骤2、训练阶段,使用非均衡贝叶斯模型进行训练,该模型对训练集中较新的记录赋予更大的权重,使非均衡贝叶斯模型能更适应用户使用应用模式的变化,以及利用步骤1提取的上下文信息,训练得到一个应用使用概率模型;这个应用使用概率模型是一个M×Q的矩阵,M表示移动系统上安装的应用个数,Q表示上下文特征个数,矩阵中的每个数值表示在对应上下文特征下相应应用使用的概率;
步骤3、预测阶段,依据步骤1感知当前移动应用使用的上下文特征值,根据步骤2得到的应用使用概率模型,预测接下来即将使用的应用,求取当前的预测精度;然后根据预测精度采用弹性算法自适应地调整每个预测周期的大小。
2.根据权利要求1所述的用于移动系统中上下文感知与自适应的应用预测方法,其特征是:步骤1中,所述的上下文特征包含有移动应用使用的位置、时间、网络状态和电量状态。
3.根据权利要求2所述的用于移动系统中上下文感知与自适应的应用预测方法,其特征是:步骤2中,所述的非均衡贝叶斯模型如下:
式(3)(4)中,Ω为一个上下文特征或者一组相关性特征;Ij(Ω)为Ω存在的函数;Ij(App,Ω)为(App,Ω)存在的函数,App为移动设备上安装的任意一个应用;j为训练集中的第j条记录;
<mrow>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>&Omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>&Omega;</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>p</mi>
<mi>p</mi>
<mo>,</mo>
<mi>&Omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>A</mi>
<mi>p</mi>
<mi>p</mi>
<mo>,</mo>
<mi>&Omega;</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式(5)(6)中,i为训练集中的第j条记录发生在距离当前预测周期第i天前;N为训练集中总的记录数目;Wj,i为权重值;与表示在对不同样本赋予不同权重的情况下,训练集中出现Ω的记录数目和同时出现App,Ω的记录数目;
权重值
式(7)中,S为一个变量;
在对不同样本赋予不同权重的情况下,在Ω特征下使用应用App的条件概率
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>P</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>p</mi>
<mi>p</mi>
<mo>|</mo>
<mi>&Omega;</mi>
<mo>)</mo>
</mrow>
<mo>:</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>P</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>p</mi>
<mi>p</mi>
<mo>|</mo>
<mi>&Omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>p</mi>
<mi>p</mi>
<mo>,</mo>
<mi>&Omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>&Omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
4.根据权利要求3所述的用于移动系统中上下文感知与自适应的应用预测方法,其特征是,步骤2中,使用非均衡贝叶斯模型训练得到一个应用使用概率模型的步骤为:
步骤1)、统计不同上下文特征Ω与应用App下的统计量与根据式(7),与对不同的记录赋予不同的权重,当S取值不变,越是靠近当前预测周期的记录权重就越大,
步骤2)、利用式(8),求取在不同上下文特征Ω下使用应用App的条件概率
步骤3)、依照步骤1)和步骤2)计算在各种不同上下文特征Ω下所有安装的应用的使用概率,得到了对应的应用使用概率模型。
5.根据权利要求1或4所述的用于移动系统中上下文感知与自适应的应用预测方法,其特征是,步骤3中,所述预测精度的计算如下:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>p</mi>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>p</mi>
<mi>p</mi>
<mo>|</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>b</mi>
<mi>t</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>b</mi>
<mi>t</mi>
<mi>f</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>p</mi>
<mi>p</mi>
<mo>|</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>l</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>d</mi>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>p</mi>
<mi>p</mi>
<mo>|</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>n</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>p</mi>
<mi>p</mi>
<mo>|</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>l</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式(9)中,Score表示即将开启某个应用App的概率;P(App|fbtl,fbtf)是在fbtl,fbtf相关特征下使用应用App的条件概率,P(App|flc,fd,fh)是在flc,fh,fd相关特征下使用应用App的条件概率,P(App|fns)是在fns特征下使用应用App的条件概率,P(App|flp)是在flp特征下使用应用App的条件概率;
选取Score最高的前k个应用作为预测的接下来即将启动的应用,预测精度即为命中次数与接下来实际使用的应用个数的比值。
6.根据权利要求5所述的用于移动系统中上下文感知与自适应的应用预测方法,其特征是,步骤3中,弹性算法的流程如下:
在步骤S02,统计固定时间段内的平均预测精度,本步骤固定时间段长度设置为一周,并将该周内的平均预测精度添加到列表L中;
在步骤S03,根据动态时间段的大小,判断当前时间点是否落入预测周期的动态时间段内,若是,则执行步骤S04;否则执行步骤S07;
在步骤S04,计算从预测周期开始到当天为止这一段时间内的平均预测精度Pave,其计算方法如下式:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Z</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>Z</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式(10)中Z表示预测周期中到当天为止的这一段时间内总的预测次数,Pi表示第i次预测的预测精度;另外,计算最近一周的平均预测精度并添加到列表L中;
在步骤S05,判断Pave与列表L中最大值的比值是否小于预设的阈值TH1;若是,则执行步骤S06,否则执行步骤S03;
在步骤S06,将动态时间段长度减少penalty天;然后进入接下来的一天,执行步骤S03;
penalty的计算式为:
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mi>a</mi>
<mi>l</mi>
<mi>t</mi>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&eta;</mi>
<mo>&times;</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mi>T</mi>
<mi>H</mi>
<mn>1</mn>
<mo>&times;</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式(11)中,η为一个可调节的变量,TH1为预设置的阈值,max(L)为列表L中的最大值;取penalty的整数部分作为动态时间段要减少的天数;
在步骤S07,计算整个预测周期的平均预测精度P';
在步骤S08,判断步骤S07中的P'与列表L中最大值的比值是否大于预设的阈值TH2,若是,则执行步骤S09,否则程序结束;
在步骤S09,增加动态时间段长度,然后执行步骤S03。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710654323.6A CN107451694B (zh) | 2017-08-03 | 2017-08-03 | 一种用于移动系统中上下文感知与自适应的应用预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710654323.6A CN107451694B (zh) | 2017-08-03 | 2017-08-03 | 一种用于移动系统中上下文感知与自适应的应用预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451694A true CN107451694A (zh) | 2017-12-08 |
CN107451694B CN107451694B (zh) | 2020-10-02 |
Family
ID=60490400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710654323.6A Active CN107451694B (zh) | 2017-08-03 | 2017-08-03 | 一种用于移动系统中上下文感知与自适应的应用预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451694B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345478A (zh) * | 2018-02-28 | 2018-07-31 | 广东欧珀移动通信有限公司 | 应用处理方法、装置、存储介质及电子设备 |
CN109947496A (zh) * | 2017-12-20 | 2019-06-28 | 广东欧珀移动通信有限公司 | 应用程序预加载方法、装置、存储介质及移动终端 |
WO2019228149A1 (zh) * | 2018-05-29 | 2019-12-05 | Oppo广东移动通信有限公司 | 预测样本的采集方法、装置、存储介质及智能终端 |
CN112425181A (zh) * | 2018-07-13 | 2021-02-26 | 三星电子株式会社 | 用于预测用户对泛在设备的动作的电子设备和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6388592B1 (en) * | 2001-01-18 | 2002-05-14 | International Business Machines Corporation | Using simulated pseudo data to speed up statistical predictive modeling from massive data sets |
CN103077224A (zh) * | 2011-12-30 | 2013-05-01 | 微软公司 | 用于基于上下文的装置动作预测的方法和系统 |
CN103425535A (zh) * | 2013-06-05 | 2013-12-04 | 浙江大学 | 云环境下的敏捷弹性伸缩方法 |
CN105760889A (zh) * | 2016-03-01 | 2016-07-13 | 中国科学技术大学 | 一种高效的不均衡数据集分类方法 |
CN105893609A (zh) * | 2016-04-26 | 2016-08-24 | 南通大学 | 一种基于加权混合的移动app推荐方法 |
-
2017
- 2017-08-03 CN CN201710654323.6A patent/CN107451694B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6388592B1 (en) * | 2001-01-18 | 2002-05-14 | International Business Machines Corporation | Using simulated pseudo data to speed up statistical predictive modeling from massive data sets |
CN103077224A (zh) * | 2011-12-30 | 2013-05-01 | 微软公司 | 用于基于上下文的装置动作预测的方法和系统 |
CN103425535A (zh) * | 2013-06-05 | 2013-12-04 | 浙江大学 | 云环境下的敏捷弹性伸缩方法 |
CN105760889A (zh) * | 2016-03-01 | 2016-07-13 | 中国科学技术大学 | 一种高效的不均衡数据集分类方法 |
CN105893609A (zh) * | 2016-04-26 | 2016-08-24 | 南通大学 | 一种基于加权混合的移动app推荐方法 |
Non-Patent Citations (2)
Title |
---|
CHAONENG XIANG 等: "HiNextApp: A Context-Aware and Adaptive Framework for App Prediction in Mobile Systems", 《2017 IEEE TRUSTCOM/BIGDATASE/ICESS》 * |
孟祥武 等: "移动推荐系统及其应用", 《软件学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947496A (zh) * | 2017-12-20 | 2019-06-28 | 广东欧珀移动通信有限公司 | 应用程序预加载方法、装置、存储介质及移动终端 |
CN109947496B (zh) * | 2017-12-20 | 2020-09-15 | Oppo广东移动通信有限公司 | 应用程序预加载方法、装置、存储介质及移动终端 |
US11164097B2 (en) | 2017-12-20 | 2021-11-02 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for preloading application, storage medium, and terminal device |
CN108345478A (zh) * | 2018-02-28 | 2018-07-31 | 广东欧珀移动通信有限公司 | 应用处理方法、装置、存储介质及电子设备 |
CN108345478B (zh) * | 2018-02-28 | 2020-04-21 | Oppo广东移动通信有限公司 | 应用处理方法、装置、存储介质及电子设备 |
EP3734446A4 (en) * | 2018-02-28 | 2021-04-14 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | TREATMENT PROCESS, STORAGE MEDIA AND ELECTRONIC DEVICE |
US11481229B2 (en) | 2018-02-28 | 2022-10-25 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for application processing, storage medium, and electronic device |
WO2019228149A1 (zh) * | 2018-05-29 | 2019-12-05 | Oppo广东移动通信有限公司 | 预测样本的采集方法、装置、存储介质及智能终端 |
CN112425181A (zh) * | 2018-07-13 | 2021-02-26 | 三星电子株式会社 | 用于预测用户对泛在设备的动作的电子设备和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107451694B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451694A (zh) | 一种用于移动系统中上下文感知与自适应的应用预测方法 | |
Pousinho et al. | Short-term electricity prices forecasting in a competitive market by a hybrid PSO–ANFIS approach | |
US11720070B2 (en) | Determining causal models for controlling environments | |
CN106100922B (zh) | 列车通信网络的网络流量的预测方法和装置 | |
Prayogo et al. | Optimization model for construction project resource leveling using a novel modified symbiotic organisms search | |
CN105787061A (zh) | 信息推送方法 | |
CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
CN110334735A (zh) | 多任务网络生成方法、装置、计算机设备和存储介质 | |
CN108022004A (zh) | 一种多模型加权组合电力负荷预报的自适应权重训练方法 | |
CN105469144A (zh) | 基于粒子分类与bp神经网络的移动通信用户流失预测方法 | |
CN108761346A (zh) | 一种车用锂电池剩余寿命预测方法 | |
CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
CN101414365B (zh) | 一种基于粒子群的矢量码书量化器 | |
Sina et al. | Short term load forecasting model based on kernel-support vector regression with social spider optimization algorithm | |
CN110533459A (zh) | 一种基于梯度提升算法的终端更换概率预测方法及装置 | |
CN106600042A (zh) | 一种手机用户上网时段预测方法 | |
CN113435101B (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
CN109146196B (zh) | 一种居民社区时用水量预测方法 | |
Wang et al. | Support vector machine with particle swarm optimization for reservoir annual inflow forecasting | |
CN110097277B (zh) | 基于时间窗的众包任务的动态分配方法 | |
CN110148026A (zh) | 一种企业月最大需量预测方法 | |
CN116578400A (zh) | 多任务数据处理方法和装置 | |
CN115688535A (zh) | 基于波形相似性分析的功率数据组合插值方法及系统 | |
CN117795527A (zh) | 使用自回归语言模型神经网络评估输出序列 | |
CN114357865A (zh) | 一种水电站径流及其关联源荷功率年场景模拟和预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |