CN107666540B - 终端控制方法、装置及存储介质 - Google Patents

Abstract

本公开是关于一种终端控制方法、装置及存储介质，属于电子技术领域。所述方法包括：获取目标用户的终端的近期使用数据，根据近期使用数据，以及预先建立的行为分析模型，预测目标用户的行为，并根据预测得到的目标行为，控制终端执行目标行为对应的操作。本公开解决了终端控制过程都需要用户手动操作，操作过程较为复杂的问题。本公开用于针对性的对终端实施个性化控制。

Description

终端控制方法、装置及存储介质

技术领域

本公开涉及电子技术领域，特别涉及一种终端控制方法、装置及存储介质。

背景技术

目前，终端(如智能手机)的使用越来越普及，与此同时，各种各样的终端应用也被开发出来，给人们的工作和生活带来了很多便利。

相关技术中，当用户在使用终端时，需要通过手动操作来进行后台的清理或是软件的升级，从而实现终端的优化。

但是，目前的终端控制过程都需要用户手动操作，操作过程较为复杂。

发明内容

本公开实施例提供了一种终端控制方法、装置及存储介质，可以解决相关技术中终端控制过程都需要用户手动操作，操作过程较为复杂的问题，所述技术方案如下：

根据本公开实施例的第一方面，提供一种终端控制方法，所述方法包括：

获取目标用户的终端的近期使用数据，所述近期使用数据为当前时刻之前的预设时长内所述终端的使用数据；

根据所述近期使用数据，以及预先建立的行为分析模型，预测所述目标用户的行为；

根据预测得到的目标行为，控制所述终端执行所述目标行为对应的操作。

可选的，所述方法还包括：

收集预设时间段内，所述终端的使用数据，所述预设时间段的时长大于所述预设时长；

根据收集到的所述终端的使用数据和所述终端的使用数据所对应的用户行为，采用机器学习算法建立所述行为分析模型。

可选的，所述方法还包括：

接收管理服务器发送的初始行为分析模型，所述初始行为分析模型是所述管理服务器根据多个实验终端的使用数据和所述多个实验终端的使用数据所对应的用户行为，采用机器学习算法建立的模型；

根据预设时间段内所述终端的使用数据和所述终端的使用数据所对应的用户行为，更新所述初始行为分析模型，得到所述行为分析模型。

可选的，所述机器学习算法为监督学习算法，所述终端的使用数据所对应的用户行为包括所述目标用户的基准行为；

所述根据收集到的所述终端的使用数据和所述终端的使用数据所对应的用户行为，采用机器学习算法建立所述行为分析模型，包括：

根据收集到的所述终端的使用数据，识别所述目标用户的基准行为；

根据所述终端的使用数据，以及所述基准行为，采用所述监督学习算法建立所述行为分析模型。

可选的，所述预设时间段为预设的n天，所述n大于或等于1，所述基准行为为睡眠，

所述根据收集到的所述终端的使用数据，识别所述目标用户的基准行为，包括：

基于所述终端的使用数据，将每天灭屏时长最长的时段所对应的行为确定为睡眠。

可选的，所述使用数据包括：显示数据、应用使用数据、无线局域网的数据和传感器使用数据中的至少一种。

可选的，所述显示数据包括亮屏时刻和灭屏时刻；

所述应用使用数据包括应用使用先后顺序、应用使用频率和应用的持续使用时长中的至少一种；

所述无线局域网的数据包括：检测到的无线局域网的标识、检测到的无线局域网的类型、检测到的无线局域网所属区域、连接的无线局域网的标识、无线局域网的连接持续时长、连接的无线局域网的类型和连接的无线局域网所属区域中的至少一种；

所述传感器使用数据包括：传感器检测到的终端状态、传感器检测到的某一状态的持续用时长和使用的传感器的类型中的至少一种。

可选的，所述根据预测得到的目标行为，控制所述终端执行所述目标行为对应的操作，包括：

查询预设的行为与操作对应关系，得到所述目标行为对应的操作；

控制所述终端执行所述目标行为对应的操作。

可选的，所述行为与操作对应关系，包括：

当用户行为为由清醒转为睡眠时，对应操作为将终端设置为断开网络连接或进行系统升级；

当用户行为为由睡眠转为清醒时，对应操作为将终端设置为建立网络连接或开启闹铃服务。

根据本公开实施例的第二方面，提供一种终端控制装置，所述装置包括：

获取模块，用于获取目标用户的终端的近期使用数据，所述近期使用数据为当前时刻之前的预设时长内所述终端的使用数据；

预测模块，用于根据所述近期使用数据，以及预先建立的行为分析模型，预测所述目标用户的行为；

控制模块，用于根据预测得到的目标行为，控制所述终端执行所述目标行为对应的操作。

可选的，所述装置还包括：

收集模块，用于收集预设时间段内，所述终端的使用数据，所述预设时间段的时长大于所述预设时长；

建立模块，用于根据收集到的所述终端的使用数据和所述终端的使用数据所对应的用户行为，采用机器学习算法建立的模型。

可选的，所述装置还包括：

接收模块，用于接收管理服务器发送的初始行为分析模型，所述初始行为分析模型是所述管理服务器根据多个实验终端的使用数据和所述多个实验终端的使用数据所对应的用户行为，采用机器学习算法建立所述行为分析模型；

更新模块，用于根据预设时间段内所述终端的使用数据和所述终端的使用数据所对应的用户行为，更新所述初始行为分析模型，得到所述行为分析模型。

可选的，所述机器学习算法为监督学习算法，所述终端的使用数据所对应的用户行为包括所述目标用户的基准行为；

所述建立模块，包括：

识别子模块，用于根据收集到的所述终端的使用数据，识别所述目标用户的基准行为；

建立子模块，用于根据所述终端的使用数据，以及所述基准行为，采用所述监督学习算法建立所述行为分析模型。

可选的，所述预设时间段为预设的n天，所述n大于或等于1，所述基准行为为睡眠；

所述识别子模块，用于基于所述终端的使用数据，将每天灭屏时长最长的时段所对应的行为确定为睡眠。

可选的，所述使用数据包括：显示数据、应用使用数据、无线局域网的数据和传感器使用数据中的至少一种。

可选的，所述显示数据包括亮屏时刻和灭屏时刻；

所述应用使用数据包括应用使用先后顺序、应用使用频率和应用的持续使用时长中的至少一种；

所述无线局域网的数据包括：检测到的无线局域网的标识、检测到的无线局域网的类型、检测到的无线局域网所属区域、连接的无线局域网的标识、无线局域网的连接持续时长、连接的无线局域网的类型和连接的无线局域网所属区域中的至少一种；

所述传感器使用数据包括：传感器检测到的终端状态、传感器检测到的某一状态的持续用时长和使用的传感器的类型中的至少一种。

可选的，所述控制模块，用于：

查询预设的行为与操作对应关系，得到所述目标行为对应的操作；

控制所述终端执行所述目标行为对应的操作。

可选的，所述行为与操作对应关系，包括：

当用户行为为由清醒转为睡眠时，对应操作为将终端设置为断开网络连接或进行系统升级；

当用户行为为由睡眠转为清醒时，对应操作为将终端设置为建立网络连接或开启闹铃服务。

根据本公开实施例的第三方面，提供一种终端控制装置，包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为：

获取目标用户的终端的近期使用数据，所述近期使用数据为当前时刻之前的预设时长内所述终端的使用数据；

根据所述近期使用数据，以及预先建立的行为分析模型，预测所述目标用户的行为；

根据预测得到的目标行为，控制所述终端执行所述目标行为对应的操作。

根据本公开实施例的第四方面，提供一种存储介质，所述存储介质中存储有指令，当所述存储介质在处理组件上运行时，使得处理组件执行如第一方面所述终端控制方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开实施例提供的终端控制方法、装置及存储介质，由于终端根据获取到目标用户的终端的近期使用数据以及预先建立的行为分析模型，预测目标用户的行为，并能够根据预测得到的目标行为，控制终端执行所述目标行为对应的操作。无需用户操作，即可实现对终端的控制，因此简化了操作过程。进一步的，由于该终端控制方法是针对目标用户的终端执行的，不同用户的终端最终执行的控制方法可能不同，因此实现了终端的个性化控制。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

为了更清楚地说明本公开的实施例，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种终端控制方法的流程图；

图2-1是根据一示例性实施例示出的另一种终端控制方法的流程图；

图2-2是根据一示例性实施例示出的一种连接无线局域网的终端界面示意图；

图2-3是根据一示例性实施例示出的一种控制终端执行目标行为对应操作的方法流程图；

图3是根据一示例性实施例示出的另一种终端控制方法的流程图；

图4-1是根据一示例性实施例示出的一种终端控制装置的框图；

图4-2是根据一示例性实施例示出的另一种终端控制装置的框图；

图4-3是根据一示例性实施例示出的一种建立模块的框图；

图4-4是根据一示例性实施例示出的又一种终端控制装置的框图；

图5是根据一示例性实施例示出的再一种终端控制装置的框图。

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

具体实施方式

为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。

目前，当用户在使用终端时，需要手动操作来进行后台的清理或是软件的升级，从而实现终端的优化。但是，上述终端控制过程都需要用户手动操作，操作过程较为复杂。

为了解决上述问题，图1是本公开实施例提供的一种终端控制方法，可以应用于终端，该终端可以为智能手机、电脑、电子阅读器或可穿戴式设备等。如图1所示，该方法可以包括以下几个步骤：

步骤101、获取目标用户的终端的近期使用数据，该近期使用数据为当前时刻之前的预设时长内终端的使用数据。

步骤102、根据该近期使用数据，以及预先建立的行为分析模型，预测该目标用户的行为。

步骤103、根据预测得到的目标行为，控制终端执行该目标行为对应的操作。

综上所述，本公开实施例提供的终端控制方法，由于终端根据获取到目标用户的终端的近期使用数据以及预先建立的行为分析模型，预测目标用户的行为，并能够根据预测得到的目标行为，控制终端执行该目标行为对应的操作。无需用户操作，即可实现对终端的控制，因此简化了操作过程。

进一步的，由于该终端控制方法是针对目标用户的终端执行的，不同用户的终端最终执行的控制方法可能不同，因此实现了终端的个性化控制。

图2-1是本公开实施例提供的另一种终端控制方法的流程图，可以应用于终端，该终端可以为智能手机、电脑、电子阅读器、可穿戴式设备等。在本公开实施例中，该终端控制方法分为三个阶段，分别为行为分析模型建立阶段，目标行为预测阶段，以及终端控制阶段，实际应用中，终端可以采用多种方式来进行行为分析模型的建立，本公开实施例以以下两种方式为例进行示意性说明：

第一种方式，终端自行建立行为分析模型。

则，相应的，该终端控制方法分为三个阶段，分别为行为分析模型建立阶段，参考步骤201和步骤202；目标行为预测阶段，参考步骤203至步骤205；以及终端控制阶段，参考步骤206，如图2-1所示，该终端控制方法可以包括：

步骤201、终端收集预设时间段内，终端的使用数据。

需要说明的是，该预设时间段指的是终端上预先设置好的时间段。该预设时间段可以是由用户设置的时间段，也可以是终端出厂时已经设置的时间段，还可以是终端上的用于执行终端控制方法的客户端设置的时间段，本公开实施例对此不作限定。例如，该预设时间段为最近60天(也即是当前时刻之前，且以当前时刻为结束点的60天)，或者最近60天的每天的21：00-24:00。

可选的，该终端的使用数据可以依据数据的类型不同划分为至少四种数据，例如该使用数据可以包括显示数据、应用使用数据、无线局域网的数据和传感器使用数据。相应的，该至少四种数据又可以依据其不同的内容进行相应的划分，本公开实施例分别对应的以以下几种情况为例进行说明。

第一种情况，当使用数据包括显示数据时，显示数据可以包括亮屏时刻和灭屏时刻。基于亮屏时刻和灭屏时刻，可以确定终端的灭屏时长。

例如，亮屏时刻为10:00和11：00；灭屏时刻为9:50和10:10，则相应的灭屏时长为9:50-10:00以及10:10-11:00。

第二种情况，当使用数据为应用使用数据时，该应用使用数据可以包括应用使用先后顺序、应用使用频率和应用的持续使用时长中的至少一种。其中，应用使用先后顺序用于表示至少两个应用的使用的先后顺序，应用使用频率用于表示应用在单位时间内使用的次数，应用的持续使用时长用于表示应用被连续使用的时长。

进一步的，上述应用使用数据可以为终端上安装的任一应用的使用数据，该应用可以为社交网络应用、即时通讯网络应用、购物应用、导航应用或支付应用等。

示例的，假设某终端上安装有社交网络应用：AA网、即时通讯网络应用：BB聊以及购物应用：CC购等三个应用。需要获取的应用使用数据可以包括应用使用先后顺序、应用使用频率和应用的持续使用时长，且预设时间段为最近1天的21：00-24:00，则可以获取最近1天的21：00-24:00，该三个应用的使用顺序，每个应用的使用频率和每个应用的持续使用时长。最终获取的应用使用数据包括：最近1天的21：00-24:00上述三个应用的使用顺序依次为：AA网、BB聊和CC购；其中，AA网的使用频率为1小时1次，持续使用时长为20分钟，BB聊的使用频率为1小时3次，每次的持续使用时长分别为10分钟、11分钟和5分钟，CC购的使用频率为1小时1次，持续使用时长分别为10分钟。

第三种情况，当使用数据为无线局域网的数据时，该无线局域网的数据可以包括检测到的无线局域网的标识、检测到的无线局域网的类型、检测到的无线局域网所属区域、连接的无线局域网的标识、无线局域网的连接持续时长、连接的无线局域网的类型和连接的无线局域网所属区域中的至少一种。

其中，无线局域网的标识用于标识无线局域网，该标识可以有多种形式，其可以是无线局域网的地址，也可以是无线局域网的名称等等，例如当该无线局域网为无线保真(英文：Wireless-Fidelity；简称：WiFi)网络时，该标识可以为服务集标识(英文：Service SetIdentifier；简称：SSID)或媒体访问控制(英文：MediaAccess Control；简称：MAC)地址。实际应用中，在用户需要控制终端连接无线局域网时，终端可以检测终端周围的无线局域网，将相应的检测结果显示在界面上时，该界面可以如图2-2所示，其中，区域31内显示的内容即为终端检测到的SSID，区域32内显示的内容为检测到的每个SSID对应无线局域网的信号强度。

进一步的，上述无线局域网的类型通常可以包括公共网络(也称公有网络)和专用网络(也称私有网络)两种，公共网络指的是在公共场合所有人都可以使用的网络，例如某些咖啡馆或是商场里可以无需密码即可连接的无线局域网；专用网络指的是非公共的网络，例如用户自己家的网络或者公司的网络，专用网络一般都需要密码，安全性较高。

再进一步的，该无线局域网所属区域可以包括商场、酒吧、学校等公共区域也可以是用户自己家或者办公室等私人区域。

示例的，假设终端为手机，需要获取的无线局域网的数据包括检测到的无线局域网的标识、检测到的无线局域网的类型、检测到的无线局域网所属区域、连接的无线局域网的标识、无线局域网的连接持续时长、连接的无线局域网的类型和连接的无线局域网所属区域，且预设时间段为最近1天的16：00-22：00，假设用户最近1天的16：00-22：00在逛商场，在逛商场的过程中通过手机进行了多次无线局域网搜索，并且连接了某一SSID为CMCC的WiFi。最终终端获取的无线局域网的使用数据可以包括：最近1天的16：00-22：00检测到的无线局域网的标识为CMCC、123、ABC，该CMCC、123、ABC分别属于公共网络、专用网络和公共网络，检测到无线局域网所处的区域为商场，连接的该WiFi的具体标识为CMCC，连接该CMCC持续了三个小时，连接的WiFi属于公共网络，连接的WiFi所处的区域为商场。

第四种情况，当使用数据为传感器使用数据时，该传感器使用数据可以包括传感器检测到的终端状态、传感器检测到的某一状态的持续用时长和使用的传感器的类型中的至少一种。其中，使用的传感器的类型用于表示传感器所对应的不同功能。

基于类型的不同，传感器可以分为重力传感器(英文：gravity sensor；简称：Gsensor)、三轴陀螺仪和光敏传感器(英文：lightsensor；简称：Lsensor)等。其中，该Gsensor的用来检测终端的放置状态，例如水平放置或竖直放置；该三轴陀螺仪用来检测终端的位置姿态，例如终端是平放着还是竖放着或是歪着等；该Lsensor用来检测终端的屏幕亮度，或者监测终端的环境光的亮度。

示例的，假设某终端上安装有Gsensor和Lsensor。需要获取的传感器使用数据可以包括传感器检测到的终端状态、传感器检测到的某一状态的持续使用时长和使用的传感器的类型，且预设时间段为最近1天的21：00-24:00，而最近1天的21：00-24:00，Gsensor和Lsensor被使用。最终终端获取的传感器使用数据可以包括：最近的1天的21：00-24：00，Gsensor检测到终端处于水平放置的状态的持续时长为40分钟，处于竖直状态的持续时长2小时20分钟，Lsensor检测到手机处于3次灭屏状态和2次亮屏状态，每次的持续时长分别为20分钟、10分钟、1小时、1小时和30分钟。

步骤202、终端根据收集到的终端的使用数据和终端的使用数据所对应的用户行为，采用机器学习算法建立行为分析模型。

上述终端的使用数据所对应的用户行为可以是终端识别得到的行为，也可以是终端接收的由用户输入的行为。

由于实际应用中，终端的使用数据为预设时间段内的数据，该预设时间段内目标用户可能进行了多种行为，这些行为中存在有规律的代表行为，本公开称之为基准行为，这些基准行为，便于识别，且识别准确性较高，终端可以识别该基准行为，并基于该基准行为来建立行为分析模型。

可选的，本公开实施例中的机器学习算法可以为监督学习算法(英文：supervisedlearning)，监督学习算法是通过已有的训练集(也称训练样本，即已知数据以及其对应的标签，该标签可以为明确的标识或者输出结果)来训练，从而得到一个目标模型，再利用这个模型将所有新的测试集(也称测试样本，即需要预测输出结果的测试数据)映射为相应的输出结果，对输出结果进行简单的判断从而实现分类的目的，那么这个目标模型也就具有了对未知数据进行预测的能力。

基于监督学习算法得到的目标模型，只要输入测试集，目标模型就可以从中推演出可能结果。如协同过滤推荐算法，通过对训练集进行监督学习，并对测试集进行预测，从而达到预测的目的。本公开实施例需要获取的目标模型为行为分析模型。

示例的，在本公开实施例中，根据收集到的终端的使用数据和终端的使用数据所对应的用户行为，采用机器学习算法建立行为分析模型的过程，包括：

步骤X、根据收集到的终端的使用数据，识别目标用户的基准行为。

由于终端的使用数据所对应的用户行为包括目标用户的基准行为，终端可以识别该基准行为。

在本公开实施例中，监督学习算法的训练集中的已知数据为步骤201中采集的数据，其对应的标签为用户行为，这些用户行为需要终端进行识别，本公开实施例中，终端需要识别目标用户的基准行为，并将该基准行为确定为上述所谓的明确的标识，基于包含终端的使用数据以及相应的基准行为的训练集，采用监督学习算法来进行模型训练，从而得到一个行为分析模型。上述基准行为是用户的符合一定规律的明确的行为，例如，睡眠，或者，某一用户有晨跑习惯，每天在9:00-10:00进行晨跑，则基准行为也可以为跑步，或者，某一用户有晚上行走锻炼的习惯，每天在晚上20：00-21:00步行一小时，则基准行为也可以为行走，又或者，某一用户每天下午18:00-19:00开车回家，则基准行为也可以为驾驶。

在本公开实施例中，终端中可以预先设置有至少一种识别规则，每种识别规则对应一种基准行为，这些识别规则是根据用户的具有一定规律的行为确定的，终端基于该识别规则对收集到的终端的使用数据进行识别。

例如，识别规则可以包括：

识别规则1、预设时间段为预设的n天，n大于或等于1，基准行为为睡眠，基于终端的使用数据，将每天灭屏时长最长的时段所对应的行为确定为睡眠。也即是，基于终端的使用数据，先识别每天灭屏时长最长的时段，然后为该时段添加标识：睡眠。

示例的，基于终端的使用数据(如显示数据中的亮屏时刻和灭屏时刻，或者，传感器使用数据中的Lsensor的数据)，确定2017.9.12至2017.9.15，终端的最长灭屏时间分别为23：00-7:00、22:00-7:00和23:10-7:20，则为这三个时间段均添加标识：睡眠。

识别规则2、在夜晚21:00-6:00之间，当终端连接的无线局域网的SSID持续为用户住所的无线局域网的SSID，且Gsensor检测到终端的放置状态保持为水平放置状态的时长超过第一时长阈值(如7小时)，且Lsensor检测到终端持续处于灭屏状态的时长超过第二时长阈值(如7小时)，Gsensor检测到终端的放置状态保持为水平放置状态且Lsensor检测到终端持续处于灭屏状态的时段添加标识：睡眠。

识别规则3、假设用户有晚上行走锻炼的习惯，在18：00-21：00之间，当终端连接的局域网的SSID持续为公共网络的SSID的时长超过第三时长阈值，且Gsensor检测到终端的放置状态保持为水平放置的时长超过第四时长阈值，且Lsensor检测到终端持续处于灭屏状态的时长超过第五时长阈值，与此同时，终端上自带的计步器的计步数据持续增加，电池的掉电速率也符合的预设规律，则为终端连接的局域网的SSID持续为公共网络的SSID，且Gsensor检测到终端的放置状态保持为水平放置，且Lsensor检测到终端持续处于灭屏状态的时段添加标识：行走。

识别规则4、用户每天下午开车回家，在17：00-19：00之间，当Gsensor检测到终端的放置状态保持为竖直放置状态的时长超过第八时长阈值，且Lsensor检测到终端持续处于亮屏状态的时长超过第九时长阈值，与此同时，终端上安装的导航应用在这个时间段内一直处于使用中，电池的掉电速率也符合终端的预设规律，则可以将Gsensor检测到终端的放置状态保持为竖直放置状态，且Lsensor检测到终端持续处于亮屏状态，且终端上安装的导航应用一直处于使用中的时段添加标识：驾驶。

上述添加标识的规则只是示意性说明，本公开实施例对此不作限定。

步骤Y、根据终端的使用数据，以及基准行为，采用监督学习算法建立行为分析模型。

根据步骤X中添加了标识的终端使用数据，采用监督学习算法进行模型训练，即可得到行为分析模型，该行为分析模型的预测输出结果与上述基准行为关联。该预测输出结果是根据预先设置的判断规则决定的。

例如，该行为分析模型的预测输出结果为用户的行为，其可以为由清醒转为睡眠，或者，由睡眠转为清醒。

步骤203、接收用户设置的行为与操作对应关系。

该行为与操作对应关系包括多种用户行为及对应的终端操作，例如，示例的，如表1所示该行为与操作对应关系可以包括：

当用户行为为由清醒转为睡眠时，对应的终端操作为将终端设置为断开网络连接或进行系统升级。

当用户行为为由睡眠转为清醒时，对应的终端操作为将终端设置为建立网络连接或开启闹铃服务。

当用户行为为跑步或步行时，对应的终端操作为开启指定音乐播放器。

当用户行为为骑行或驾驶时，对应的终端操作为开启导航应用。

表1

用户行为	终端操作
		由清醒转为睡眠	断开网络连接或进行系统升级
由睡眠转为清醒	建立网络连接或开启闹铃服务
		跑步或步行	开启指定音乐播放器
骑行或驾驶	开启导航应用

实际应用中，用户可以预先设置该行为与操作对应关系中的相应行为所对应的操作，然后在后续使用终端的过程中，根据实际情况对该对应关系进行编辑，例如修改、增加或删除该对应关系中的内容，这样，该对应关系可以根据实际使用情况进行更新，提高用户体验。例如，用户建立了如表1所示的行为与操作对应关系后，可以删除：“用户行为为跑步或步行-对应的终端操作为开启指定音乐播放器”这一对应关系。

进一步的，上述行为与操作对应关系中记录的每条对应关系可以存在生效时间区间，也即是，该生效时间区间可以包括行为生效时间区间和/或操作生效时间区间，该行为生效时间区间表示用户行为为有效触发行为的时间区间，例如，用户行为为由清醒转为睡眠的生效时间区间为21:00-23:00，则在该时间段检测到用户行为为“由清醒转为睡眠”时，才会执行对应的终端操作。该操作生效时间区间表示终端操作可执行的时间区间，例如，终端操作为“断开网络连接或进行系统升级”的操作生效时间区间为用户由清醒转为睡眠后的5小时，则假设用户在23:00由清醒转为睡眠，则在23:00至次日4:00，终端执行断开网络连接或进行系统升级的操作。

需要说明的是，针对不同的场景，用户可以设置不同的生效时间区间，以生效时间区间为行为生效时间区间为例。针对一些即时性的场景(也可以称为不可重复的场景)用户可以设置一些较短的行为生效时间区间，如1-24小时的行为生效时间区间。例如用户在2017年9月2日的夜间的两点钟需要接听一个重要的电话，用户在表1中添加了一条行为与操作的对应关系：“由清醒转为睡眠-1:50开启手机铃声”，行为生效区间为2017年9月1日22:00至2017年9月2日3:00。这样可以保证用户能够接听到相应的电话。

针对一些非即时性场景(也可以称为可重复的场景)，用户可以设置一些行为生效时间区间较为规律性日期，如每周的周一6:00-10:00。例如，用户需要每天早晨通过闹铃将自己叫醒，相应的，用户在表1中设置了一条行为与操作的对应关系：“由睡眠转为清醒-6:30开启闹铃服务”，每周的周一至周五6:00-10:00。这样可以保证用户能够在工作日每天被闹铃叫醒。

实际应用中，该行为与操作对应关系也可以是移动终端默认设置的。

步骤204、获取目标用户的终端的近期使用数据，该近期使用数据为当前时刻之前的预设时长内终端的使用数据。

需要说明的是，该预设时长小于上述步骤201中的预设时间段，一方面，预设时间段较长，可以保证收集的数据的丰富性，从而基于该数据能够识别得到准确的用户行为，以为建立行为分析模型提供良好的基础。另一方面，预设时长较短，可以保证在实际使用中，实时识别用户行为，根据该用户行为及时执行相应的终端操作。例如，上述预设时长为1小时，上述预设时间段为1个月。

步骤205、根据该近期使用数据，以及预先建立的行为分析模型，预测目标用户的行为。

例如，基于步骤201和202建立的行为分析模型可知，目标用户在每次睡眠前的10分钟均开始使用AA网应用，则近期使用数据为：21:40开始使用AA网应用，将该数据输入预先建立的行为分析模型，输出的是10分钟后进入睡眠状态，则输出结果即为目标用户的行为。

步骤206、根据预测得到的目标行为，控制终端执行该目标行为对应的操作。

图2-3是本公开实施例提供的一种控制终端执行目标行为对应的操作的方法，如图2-3所示，该方法可以包括：

步骤2061、查询预设的行为与操作对应关系，得到该目标行为对应的操作。

示例的，当终端识别到目标行为时，终端查询预设的行为与操作的对应关系，以便于获取该行为对应的操作，然后对终端执行该操作。例如，当目标行为为由清醒转为睡眠时，查询表1得到的终端操作为：断开网络连接和进行系统升级。

步骤2062、控制终端执行该目标行为对应的操作。

例如，查询得到的终端操作为：断开网络连接和进行系统升级。则终端执行断开网络连接和进行系统升级的操作。

一方面，当检测到用户的目标行为为由清醒转为睡眠时，终端执行断开网络连接的操作，则在用户睡眠的过程中，终端自动进行了网络连接的断开，节约终端的电能消耗。

当检测到用户的目标行为为由清醒转为睡眠时，终端可以进行系统升级，则在用户睡眠的过程中，终端自动进行了系统升级，无需用户操作，因此有效提升用户体验。

需要说明的是，本公开实施例提供的终端控制方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本公开的保护范围之内，因此不再赘述。

综上所述，本公开实施例提供的终端控制方法，由于终端根据获取到目标用户的终端近期使用数据以及预先建立的行为分析模型，预测目标用户的行为，并能够根据预测得到的目标行为，控制终端执行目标行为对应的操作。无需用户操作，即可实现对终端的控制，因此简化了操作过程。

进一步的，由于该终端控制方法是针对目标用户的终端执行的，不同用户的终端最终执行的控制方法可能不同，因此实现了终端的个性化控制。

第二种方式，终端基于管理服务器发送的初始行为分析模型建立行为分析模型。

则，相应的，图3是本公开实施例提供的另一种终端控制方法的流程图，该终端控制方法分为三个阶段，分别为行为分析模型建立阶段，参考步骤301和步骤302；目标行为预测阶段，参考步骤303至步骤305，以及终端控制阶段；参考步骤306，如图3所示，该终端控制方法包括：

步骤301、终端接收管理服务器发送的初始行为分析模型，该初始行为分析模型是管理服务器根据多个实验终端的使用数据和该多个实验终端的使用数据所对应的用户行为，采用机器学习算法建立的模型。

在本公开实施例中，管理服务器可以预先建立一个初始行为分析模型，该初始行为分析模型是根据多个实验终端的使用数据和该多个实验终端的使用数据所对应的用户行为，采用机器学习算法建立的模型，示例的，上述机器学习算法可以为监督学习算法。然后管理服务器将该初始行为分析模型发送给终端，由终端再基于本终端采集的终端的使用数据和该终端的使用数据所对应的用户行为进行更新，其中，由于该多个实验终端的使用数据所对应的用户行为中包括用户的基准行为，管理服务器可以通过识别用户的基准行为来建立初始行为分析模型。管理服务器需要收集指定时长内(如1个月)多个实验终端的使用数据，每个实验终端的使用数据的收集过程可以参考上述步骤201，然后，管理服务器根据收集到的实验终端的使用数据，识别用户的基准行为，其过程可以参考上述步骤X，最后管理服务器基于多个实验终端的使用数据和对应的基准行为建立上述初始行为分析模型。

需要说明的是，为了保证行为分析模型的准确性，上述多个实验终端的用户需要为相同类别的用户，其基准行为相同或相近，例如，基准行为为睡眠，该多个实验终端的用户睡眠时段相同或相近；基准行为为行走，该多个实验终端的用户均有在相同或相近时段行走锻炼的习惯；基准行为为跑步，该多个实验终端的用户均有在相同或相近时段跑步锻炼的习惯。

例如，假设上述多个实验终端均为手机，指定时长为1个月，工作人员可以招募1千个用户，在这些用户同意对其手机进行监测的前提下，管理服务器从这1千部手机中获取各个用户在一个月内使用手机的各类使用数据(这些数据通常是手机自动上报给管理服务器)，比如，该1千部手机上都安装有社交网络应用：AA网，则管理服务器可以收集该1千部手机对应的用户在1个月内的应用使用数据：通过手机使用AA网的使用时长和使用时间段，以及手机的显示数据，然后可以根据收集到的这1千部手机的该应用使用数据和手机的显示数据，以及该1千部手机的应用使用数据和手机的显示数据所对应的用户行为，建立初始行为分析模型。

该建立初始行为分析模型的过程可以参考上述步骤202，先根据收集到的多个终端的使用数据，识别多个用户的基准行为(该多个用户具有相同的基准行)，然后根据多个终端的使用数据，以及基准行为，建立行为分析模型。

例如，基于多个终端的使用数据以及基准行为建立的行为分析模型可知，该多个终端的用户在每次睡眠前的10分钟均开始使用AA网应用。

步骤302、终端根据预设时间段内终端的使用数据和终端的使用数据所对应的用户行为，更新初始行为分析模型，得到行为分析模型。

终端可以收集预设时间段内终端的使用数据，然后根据该使用数据和该使用数据所对应的用户行为，更新初始行为分析模型，得到行为分析模型。其中，终端可以收集预设时间段内，终端的使用数据的过程可以参考上述步骤201，本公开实施例对此不再赘述。

在上述步骤301中，由于终端接收到的是管理服务器根据多个实验终端的使用数据和该多个实验终端的使用数据所对应的用户行为(例如基准行为)所建立的模型，该初始行为分析模型是针对于一类或几类人群的行为分析模型，是具有普适性的行为分析模型，但是由于不同的用户存在个体差别，其基准行为出现的时间段可能存在差异，相应的使用终端的习惯也存在不同，在本公开实施例中，为了保证最终得到的行为分析模型能适用于本终端，可以采用步骤302收集到的终端的使用数据和终端的使用数据所对应的用户行为(例如基准行为)，来更新该初始行为分析模型，进而得到最终的行为分析模型。

由于该最终的行为分析模型更为个性化，可以为终端的用户提供更准确更个性的服务。

仍然参考上述步骤301中的例子，由于接收到的是管理服务器根据1千部手机的使用数据和对应1千个用户的基准行为所建立的初始行为分析模型，但不同的用户又因为自身使用手机的习惯不同而导致其行为与该初始行为分析模型分析得到的行为不匹配，例如，1千个用户大多数在21:30-22：00内使用AA网应用十分钟之后关灯进入睡眠状态，所以基于针对该1千个用户所采集的手机的使用数据和对应1千个用户的行为所建立的初始行为分析模型中，输入的手机的使用数据为21:40开始使用AA网应用，输出的用户行为为10分钟后进入睡眠状态，但是目标用户的习惯是在21:30-22：00内先使用AA网应用十五分钟，然后使用购物应用CC购十分钟，再关灯进入睡眠状态，则基于上述初始行为分析模型，输入的手机的使用数据为21:40开始使用AA网应用，输出的行为依然为10分钟后进入睡眠状态，与该目标用户的实际行为不符。因此需要根据针对性的收集目标用户的终端的使用数据和目标用户行为来更新该初始行为分析模型，从而建立更为个性化的行为分析模型。

在本公开实施例中，终端在接收到管理服务器发送的初始行为分析模型后，可以将收集到的终端的使用数据和该识别得到的目标用户的基准行为更新该初始行为分析模型，得到行为分析模型，该目标用户与上述多个终端的用户的类别相同，也即是基准行为相同。根据终端的使用数据以及基准行为，更新初始行为分析模型，得到行为分析模型的过程，实际上是根据终端的使用数据以及基准行为出现的时间段，更新初始行为分析模型，得到行为分析模型。

例如，假设该终端收集到的使用数据为某用户每天在21:30-22：00内先使用AA网应用十五分钟，然后使用购物应用CC购十分钟，再关灯进入睡眠状态。该识别得到的行为为输入的手机的使用数据为21:40开始使用AA网应用，在十五分钟后开始使用CC购应用十分钟，输出的用户行为为25分钟后进入睡眠状态。而初始行为分析模型是依据收集的1千部手机的应用使用数据所得到的，该初始行为分析模型为在21:30-22：00内输入的手机的使用数据为21:40开始使用AA网应用，输出的用户行为为10分钟后进入睡眠状态。因此根据收集到的目标用户的使用数据和识别得到的基准行为可以更新该初始行为分析模型，从而得到针对于目标用户的行为分析模型。

又例如，基于多个终端的使用数据以及基准行为建立的行为分析模型可知，该多个终端的用户在每次睡眠前的10分钟均开始使用AA网应用，而根据终端的使用数据以及基准行为可知，目标用户在每次睡眠前的25分钟开始使用AA网应用，则基于更新后得到的行为分析模型可知，目标用户在每次睡眠前的25分钟开始使用AA网应用。

步骤303、接收用户设置的行为与操作对应关系。

该步骤可以参考上述步骤203，本公开实施例对此不再赘述。

步骤304、获取目标用户的终端的近期使用数据，该近期使用数据为当前时刻之前的预设时长内终端的使用数据。

该步骤可以参考上述步骤204，本公开实施例对此不再赘述。

步骤305、根据该近期使用数据，以及预先建立的行为分析模型，预测目标用户的行为。

该步骤可以参考上述步骤205，本公开实施例对此不再赘述。

步骤306、根据预测得到的目标行为，控制终端执行该目标行为对应的操作。

该步骤可以参考上述步骤206，本公开实施例对此不再赘述。

需要说明的是，本公开实施例提供的终端控制方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本公开的保护范围之内，因此不再赘述。

综上所述，本公开实施例提供的终端控制方法，由于终端根据获取到目标用户的终端近期使用数据以及预先建立的行为分析模型，预测目标用户的行为，并能够根据预测得到的目标行为，控制终端执行目标行为对应的操作。无需用户操作，即可实现对终端的控制，因此简化了操作过程。

进一步的，由于该终端控制方法是针对目标用户的终端执行的，不同用户的终端最终执行的控制方法可能不同，因此实现了终端的个性化控制。

图4-1是根据一示例性实施例示出的一种终端控制装置40的框图，如图4-1所示，该终端控制装置40可以包括：获取模块401，预测模块402和控制模块403。

获取模块401，用于获取目标用户的终端的近期使用数据，该近期使用数据为当前时刻之前的预设时长内终端的使用数据。

预测模块402，用于根据该近期使用数据，以及预先建立的行为分析模型，预测目标用户的行为。

控制模块403，用于根据预测得到的目标行为，控制终端执行该目标行为对应的操作。

综上所述，本公开实施例提供的终端控制，由于在获取模块获取到目标用户的终端的近期使用数据后，预测模块根据该近期使用数据以及预先建立的行为分析模型，预测目标用户的行为，控制模块根据预测得到的目标行为，控制终端执行所述目标行为对应的操作。无需用户操作，即可实现对终端的控制，因此简化了操作过程。

进一步的，由于该终端控制方法是针对目标用户的终端执行的，不同用户的终端最终执行的控制方法可能不同，因此实现了终端的个性化控制。

第一方面，图4-2是根据一示例性实施例示出的另一种终端控制装置40的框图，如图4-2所示，该终端控制装置40还可以包括：获取模块401，预测模块402，控制模块403，收集模块404和建立模块405。

获取模块401，用于获取目标用户的终端的近期使用数据，该近期使用数据为当前时刻之前的预设时长内终端的使用数据。

预测模块402，用于根据该近期使用数据，以及预先建立的行为分析模型，预测目标用户的行为。

控制模块403，用于根据预测得到的目标行为，控制终端执行该目标行为对应的操作。

收集模块404，用于收集预设时间段内，该终端的使用数据，该预设时间段的时长大于该预设时长。

建立模块405，用于根据收集到的该终端的使用数据和终端的使用数据所对应的用户行为，采用机器学习算法建立的模型。

其中，该机器学习算法可以为监督学习算法，该终端的使用数据所对应的用户行为包括目标用户的基准行为。

图4-3是根据一示例性实施例示出的一种建立模块405的框图，如图4-3所示，该建立模块405可以包括：

识别子模块4051，用于根据收集到的该终端的使用数据，识别目标用户的基准行为。

建立子模块4052，用于根据终端的使用数据，以及基准行为，采用监督学习算法建立行为分析模型。

其中，该预设时间段为预设的n天，n可以大于或等于1，该基准行为为睡眠，该识别子模块4051，用于基于该终端的使用数据，将每天灭屏时长最长的时段所对应的行为确定为睡眠。

第二方面，图4-4是根据一示例性实施例示出的另一种终端控制装置40的框图，如图4-4所示，该终端控制装置40还可以包括：获取模块401，预测模块402，控制模块403，接收模块406和更新模块407。

获取模块401，用于获取目标用户的终端的近期使用数据，该近期使用数据为当前时刻之前的预设时长内终端的使用数据。

预测模块402，用于根据该近期使用数据，以及预先建立的行为分析模型，预测目标用户的行为。

控制模块403，用于根据预测得到的目标行为，控制终端执行该目标行为对应的操作。

接收模块406，用于接收管理服务器发送的初始行为分析模型，该初始行为分析模型是该管理服务器根据多个实验终端的使用数据和该多个实验终端的使用数据所对应的用户行为，采用机器学习算法建立行为分析模型。

更新模块407，用于根据预设时间段内该终端的使用数据和终端的使用数据所对应的用户行为，更新该初始行为分析模型，得到行为分析模型。

其中，该使用数据可以包括：显示数据、应用使用数据、无线局域网的数据和传感器使用数据中的至少一种。

可选的，该显示数据包括亮屏时刻和灭屏时刻。

该应用使用数据包括应用使用先后顺序、应用使用频率和应用的持续使用时长中的至少一种。

该无线局域网的数据包括：检测到的无线局域网的标识、检测到的无线局域网的类型、检测到的无线局域网所属区域、连接的无线局域网的标识、无线局域网的连接持续时长、连接的无线局域网的类型和连接的无线局域网所属区域中的至少一种。

该传感器使用数据包括：传感器检测到的终端状态、传感器检测到的某一状态的持续用时长和使用的传感器的类型中的至少一种。

可选的，该控制模块403，用于：

查询预设的行为与操作对应关系，得到目标行为对应的操作，并控制该终端执行该目标行为对应的操作。

可选的，该行为与操作对应关系，包括：

当用户行为为由清醒转为睡眠时，对应操作为将终端设置为断开网络连接或进行系统升级；当用户行为为由睡眠转为清醒时，对应操作为将终端设置为建立网络连接或开启闹铃服务。

综上所述，本公开实施例提供的终端控制，由于在获取模块获取到目标用户的终端的近期使用数据后，预测模块根据该近期使用数据以及预先建立的行为分析模型，预测目标用户的行为，控制模块根据预测得到的目标行为，控制终端执行所述目标行为对应的操作。无需用户操作，即可实现对终端的控制，因此简化了操作过程。

进一步的，由于该终端控制方法是针对目标用户的终端执行的，不同用户的终端最终执行的控制方法可能不同，因此实现了终端的个性化控制。

本公开实施例提供了一种终端控制装置，包括：

处理器，用于存储处理器的可执行指令的存储器。

其中，该处理器被配置为：获取目标用户的终端的近期使用数据，该近期使用数据为当前时刻之前的预设时长内终端的使用数据。

根据该近期使用数据，以及预先建立的行为分析模型，预测该目标用户的行为。

根据预测得到的目标行为，控制终端执行该目标行为对应的操作。

综上所述，本公开实施例提供的终端控制，由于在获取模块获取到目标用户的终端的近期使用数据后，预测模块根据该近期使用数据以及预先建立的行为分析模型，预测目标用户的行为，控制模块根据预测得到的目标行为，控制终端执行所述目标行为对应的操作。无需用户操作，即可实现对终端的控制，因此简化了操作过程。

进一步的，由于该终端控制方法是针对目标用户的终端执行的，不同用户的终端最终执行的控制方法可能不同，因此实现了终端的个性化控制。

本公开实施例提供一种存储介质，该存储介质可以为非易失性计算机可读存储介质，该存储介质中存储有指令，当该存储介质在处理组件上运行时，使得处理组件执行如上述方法实施例中的终端控制方法。

图5是根据一示例性实施例示出的一种终端控制装置500的框图。例如，装置500可以是智能手机、电脑、多媒体播放器、可穿戴式设备等。

参照图5，装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。

处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。

存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件506为装置500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。

多媒体组件508包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当装置500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。

I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到装置500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器520执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置500的处理器执行时，使得装置500能够执行一种终端控制方法。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种终端控制方法，其特征在于，包括：

接收预设的行为与操作对应关系；其中，所述行为与操作对应关系包括：当用户行为为由清醒转为睡眠时，对应操作为将终端设置为进行系统升级；当用户行为为由睡眠转为清醒时，对应操作为将终端设置为开启闹铃服务；当用户行为为跑步或步行时，对应操作为开启指定音乐播放器；当用户行为为骑行或驾驶时，对应操作为开启导航应用；所述行为与操作对应关系中记录的每条对应关系存在行为生效时间区间和/或操作生效时间区间，不同场景下的行为生效时间区间不同，不同场景下的操作生效时间区间不同，所述行为与操作对应关系为能够编辑的对应关系，所述行为生效时间区间表示用户行为为有效触发行为的时间区间，所述操作生效时间区间表示终端操作能够执行的时间区间，所述场景包括重复性场景与暂时性场景，所述暂时性场景由用户添加至所述行为与操作对应关系中；

获取目标用户的终端的近期使用数据，所述近期使用数据为当前时刻之前的预设时长内所述终端的使用数据；

根据所述近期使用数据，以及预先建立的行为分析模型，预测所述目标用户的行为；

查询所述行为与操作对应关系，得到预测得到的目标行为对应的操作，控制所述终端执行所述目标行为对应的操作；

所述接收预设的行为与操作对应关系之前，所述方法还包括：

收集预设时间段内，所述终端的使用数据，所述预设时间段的时长大于预设时长；基于识别规则对收集到的所述终端的使用数据进行识别，得到所述目标用户的基准行为，每种识别规则对应一种基准行为，所述识别规则是根据用户的具有一定规律的行为确定的；根据所述终端的使用数据，以及所述基准行为，采用监督学习算法建立行为分析模型，所述行为分析模型的预测输出结果与所述基准行为关联，所述预测输出结果是根据预先设置的判断规则决定的；

或者，接收管理服务器发送的初始行为分析模型，所述初始行为分析模型是所述管理服务器根据多个实验终端的使用数据和所述多个实验终端的使用数据所对应的基准行为，采用监督学习算法建立的模型，所述多个实验终端的用户为相同类别的用户，所述相同类别的用户的基准行为相同或相近；根据预设时间段内所述终端的使用数据和所述终端的使用数据所对应的基准行为，更新所述初始行为分析模型，得到行为分析模型。

2.根据权利要求1所述的方法，其特征在于，所述预设时间段为预设的n天，所述n大于或等于1，所述基准行为为睡眠；

所述根据收集到的所述终端的使用数据，识别所述目标用户的基准行为，包括：

基于所述终端的使用数据，将每天灭屏时长最长的时段所对应的行为确定为睡眠。

3.根据权利要求1所述的方法，其特征在于，

所述使用数据包括：显示数据、应用使用数据、无线局域网的数据和传感器使用数据中的至少一种。

4.根据权利要求3所述的方法，其特征在于，

所述显示数据包括亮屏时刻和灭屏时刻；

所述应用使用数据包括应用使用先后顺序、应用使用频率和应用的持续使用时长中的至少一种；

所述无线局域网的数据包括：检测到的无线局域网的标识、检测到的无线局域网的类型、检测到的无线局域网所属区域、连接的无线局域网的标识、无线局域网的连接持续时长、连接的无线局域网的类型和连接的无线局域网所属区域中的至少一种；

所述传感器使用数据包括：传感器检测到的终端状态、传感器检测到的某一状态的持续用时长和使用的传感器的类型中的至少一种。

5.一种终端控制装置，其特征在于，包括：

接收模块，接收预设的行为与操作对应关系；其中，所述行为与操作对应关系包括：当用户行为为由清醒转为睡眠时，对应操作为将终端设置为进行系统升级；当用户行为为由睡眠转为清醒时，对应操作为将终端设置为开启闹铃服务；当用户行为为跑步或步行时，对应操作为开启指定音乐播放器；当用户行为为骑行或驾驶时，对应操作为开启导航应用；所述行为与操作对应关系中记录的每条对应关系存在行为生效时间区间和/或操作生效时间区间，不同场景下的行为生效时间区间不同，不同场景下的操作生效时间区间不同，所述行为与操作对应关系为能够编辑的对应关系，所述行为生效时间区间表示用户行为为有效触发行为的时间区间，所述操作生效时间区间表示终端操作能够执行的时间区间，所述场景包括重复性场景与暂时性场景，所述暂时性场景由用户添加至所述行为与操作对应关系中；

获取模块，用于获取目标用户的终端的近期使用数据，所述近期使用数据为当前时刻之前的预设时长内所述终端的使用数据；

预测模块，用于根据所述近期使用数据，以及预先建立的行为分析模型，预测所述目标用户的行为；

控制模块，用于查询所述行为与操作对应关系，得到预测得到的目标行为对应的操作；控制所述终端执行所述目标行为对应的操作；

所述装置还包括：

收集模块，用于收集预设时间段内，所述终端的使用数据，所述预设时间段的时长大于所述预设时长；

建立模块，用于基于识别规则对收集到的所述终端的使用数据进行识别，得到所述目标用户的基准行为，每种识别规则对应一种基准行为，所述识别规则是根据用户的具有一定规律的行为确定的；根据所述终端的使用数据和所述基准行为，采用监督学习算法建立行为分析模型，所述行为分析模型的预测输出结果与所述基准行为关联，所述预测输出结果是根据预先设置的判断规则决定的；

或者，所述装置还包括：

接收模块，用于接收管理服务器发送的初始行为分析模型，所述初始行为分析模型是所述管理服务器根据多个实验终端的使用数据和所述多个实验终端的使用数据所对应的基准行为，采用监督学习算法建立所述行为分析模型，所述多个实验终端的用户为相同类别的用户，所述相同类别的用户的基准行为相同或相近；

更新模块，用于根据预设时间段内所述终端的使用数据和所述终端的使用数据所对应的基准行为，更新所述初始行为分析模型，得到所述行为分析模型。

6.根据权利要求5所述的装置，其特征在于，所述预设时间段为预设的n天，所述n大于或等于1，所述基准行为为睡眠；

识别子模块，用于基于所述终端的使用数据，将每天灭屏时长最长的时段所对应的行为确定为睡眠。

7.根据权利要求5所述的装置，其特征在于，

所述使用数据包括：显示数据、应用使用数据、无线局域网的数据和传感器使用数据中的至少一种。

8.根据权利要求7所述的装置，其特征在于，所述显示数据包括亮屏时刻和灭屏时刻；

所述应用使用数据包括应用使用先后顺序、应用使用频率和应用的持续使用时长中的至少一种；

所述无线局域网的数据包括：检测到的无线局域网的标识、检测到的无线局域网的类型、检测到的无线局域网所属区域、连接的无线局域网的标识、无线局域网的连接持续时长、连接的无线局域网的类型和连接的无线局域网所属区域中的至少一种；

所述传感器使用数据包括：传感器检测到的终端状态、传感器检测到的某一状态的持续用时长和使用的传感器的类型中的至少一种。

9.一种终端控制装置，其特征在于，包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为：

接收预设的行为与操作对应关系；其中，所述行为与操作对应关系包括：当用户行为为由清醒转为睡眠时，对应操作为将终端设置为进行系统升级；当用户行为为由睡眠转为清醒时，对应操作为将终端设置为开启闹铃服务；当用户行为为跑步或步行时，对应操作为开启指定音乐播放器；当用户行为为骑行或驾驶时，对应操作为开启导航应用；所述行为与操作对应关系中记录的每条对应关系存在行为生效时间区间和/或操作生效时间区间，不同场景下的行为生效时间区间不同，不同场景下的操作生效时间区间不同，所述行为与操作对应关系为能够编辑的对应关系，所述行为生效时间区间表示用户行为为有效触发行为的时间区间，所述操作生效时间区间表示终端操作能够执行的时间区间，所述场景包括重复性场景与暂时性场景，所述暂时性场景由用户添加至所述行为与操作对应关系中；

获取目标用户的终端的近期使用数据，所述近期使用数据为当前时刻之前的预设时长内所述终端的使用数据；

根据所述近期使用数据，以及预先建立的行为分析模型，预测所述目标用户的行为；

查询所述行为与操作对应关系，得到预测得到的目标行为对应的操作，控制所述终端执行所述目标行为对应的操作；

所述接收预设的行为与操作对应关系之前，所述处理器还被配置为：

收集预设时间段内，所述终端的使用数据，所述预设时间段的时长大于预设时长；基于识别规则对收集到的所述终端的使用数据进行识别，得到所述目标用户的基准行为，每种识别规则对应一种基准行为，所述识别规则是根据用户的具有一定规律的行为确定的；根据所述终端的使用数据，以及所述基准行为，采用监督学习算法建立行为分析模型，所述行为分析模型的预测输出结果与所述基准行为关联，所述预测输出结果是根据预先设置的判断规则决定的；

或者，接收管理服务器发送的初始行为分析模型，所述初始行为分析模型是所述管理服务器根据多个实验终端的使用数据和所述多个实验终端的使用数据所对应的基准行为，采用监督学习算法建立的模型，所述多个实验终端的用户为相同类别的用户，所述相同类别的用户的基准行为相同或相近；根据预设时间段内所述终端的使用数据和所述终端的使用数据所对应的基准行为，更新所述初始行为分析模型，得到行为分析模型。

10.一种存储介质，其特征在于，所述存储介质中存储有指令，当所述存储介质在处理组件上运行时，使得处理组件执行如权利要求1至4任一所述终端控制方法。

Images