CN107704876A - 应用控制方法、装置、存储介质以及电子设备 - Google Patents

应用控制方法、装置、存储介质以及电子设备 Download PDF

Info

Publication number
CN107704876A
CN107704876A CN201710923081.6A CN201710923081A CN107704876A CN 107704876 A CN107704876 A CN 107704876A CN 201710923081 A CN201710923081 A CN 201710923081A CN 107704876 A CN107704876 A CN 107704876A
Authority
CN
China
Prior art keywords
application
connection state
time point
sampling time
electronic equipment
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
Application number
CN201710923081.6A
Other languages
English (en)
Other versions
CN107704876B (zh
Inventor
曾元清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201710923081.6A priority Critical patent/CN107704876B/zh
Publication of CN107704876A publication Critical patent/CN107704876A/zh
Priority to PCT/CN2018/103283 priority patent/WO2019062462A1/zh
Application granted granted Critical
Publication of CN107704876B publication Critical patent/CN107704876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4812—Task transfer initiation or dispatching by interrupt, e.g. masked

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种应用控制方法、装置、存储介质以及电子设备，该应用控制方法应用于电子设备，包括：获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；根据该采样时间点和运行参数生成训练样本；利用该训练样本对预设的贝叶斯模型进行训练；基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。上述应用控制方法可以根据以往应用的使用情况较好地选出需要清理的后台应用，方法简单，灵活性高。

Description

应用控制方法、装置、存储介质以及电子设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种应用控制方法、装置、存储介质以及电子设备。
背景技术
随着科技的发展，智能手机、平板电脑(PAD)等移动终端已经成为用户生活中不可或缺的设备。
目前，终端安装的应用程序越来越多，用户在使用完毕终端中的应用程序时，通常会执行如切换至新的应用程序、返回主界面、或者锁屏的操作，此时使用完毕的应用程序被切换至后台，这些在后台的应用程序会继续运行，例如，与服务器交换数据，监听用户动作等；在运行过程中，会持续占用系统资源，例如，占用系统内存、消耗数据流量、消耗终端电量等。为避免使用完毕的应用程序继续占用系统资源，通常需要对后台的应用程序进行清理，比如根据应用程序消耗的内存数量来选择消耗内存较多的应用程序进行清理，或者根据终端出厂时设置的应用程序优先级，清理低优先级的应用程序，等等，但是，这些清理方法都比较死板，无法灵活地判定哪些应用程序可以清理，难以有效提升系统资源。
发明内容
本申请实施例提供一种应用控制方法、装置、存储介质以及电子设备，能灵活清理后台应用程序，有效提升系统资源。
本申请实施例提供了一种应用控制方法，应用于电子设备，包括：
获取历史时段内每一采样时间点所述电子设备的运行参数，所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
根据所述采样时间点和运行参数生成训练样本；
利用所述训练样本对预设的贝叶斯模型进行训练；
基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
本申请实施例还提供了一种应用控制装置，应用于电子设备，包括：
获取模块，用于获取历史时段内每一采样时间点所述电子设备的运行参数，所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
生成模块，用于根据所述采样时间点和运行参数生成训练样本；
训练模块，用于利用所述训练样本对预设的贝叶斯模型进行训练；
控制模块，用于基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
进一步地，所述生成模块包括：
第一确定子模块，用于根据所述采样时间点确定采样日期类型和采样时段；
第二确定子模块，用于确定所述剩余电量所属的预设电量范围，以及确定所述已亮屏时长所属的预设时长范围；
生成子模块，用于根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
进一步地，所述生成子模块包括：
获取单元，用于获取目标预测应用；
第一确定单元，用于根据所述采样时间点从运行参数中确定所述前台应用的上一切换应用和下一切换应用；
第二确定单元，用于根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值；
生成单元，用于根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
进一步地，所述第二确定单元具体用于：
计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
判断所述目标预测应用是否为所述下一切换应用，且所述差值是否不超过预设时长；
若是，则将所述目标预测应用的预测值确定为第一预设数值；
若否，则将所述目标预测应用的预测值确定为第二预设数值。
进一步地，所述生成单元具体用于：
分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
根据所述特征值和预测值生成训练样本。
进一步地，所述特征值包括(q1,q2…qm)，所述预测值包括j1和j2，所述生成单元具体用于：
将所述预测值输入第一预设公式中，得到对应预测值的概率，所述第一预设公式为：其中N(j1)表示事件j1出现的次数，N(j2)表示事件j2出现的次数，P(j2)表示事件j2发生的概率；
将所述特征值和预测值输入第二预设公式中，得到对应特征值和预测值的概率，所述第二预设公式为：其中，1≤i≤m，P(qi|j2)表示在事件j2发生的前提下，事件qi发生的概率，N(qi,j2)表示事件qi和j2同时发生的次数。
进一步地，所述控制模块用于：
获取后台应用清理指令；
根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的运行参数；
利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率；
根据所述可清理率关闭所述后台应用。
进一步地，所述控制模块具体用于：
根据当前的运行参数确定当前特征值；
将当前特征值输入第三预设公式中进行计算，得到可清理率，所述第三预设公式为：其中，1≤k≤m，qk为当前特征值。
本申请实施例还提供了一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述任一项应用控制方法。
本申请实施例还提供了一种电子设备，包括处理器和存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于上述任一项所述的应用控制方法中的步骤。
本申请提供的应用控制方法、装置、存储介质以及电子设备，应用于电子设备，通过获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态，并根据该采样时间点和运行参数生成训练样本，接着利用所述训练样本对预设的贝叶斯模型进行训练，并基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制，从而可以根据以往应用的使用情况较好地选出需要清理的后台应用，方法简单，灵活性高，节约了系统资源，用户体验感好。
附图说明
下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。
图1为本申请实施例提供的应用控制方法的流程示意图。
图2为本申请实施例提供的应用控制方法的另一流程示意图。
图3为本申请实施例提供的贝叶斯模型的训练流程图。
图4为本申请实施例提供的贝叶斯模型的框架示意图。
图5为本申请实施例提供的应用控制装置的结构示意图。
图6为本申请实施例提供的生成模块的结构示意图。
图7为本申请实施例提供的生成子模块的结构示意图。
图8为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种应用控制方法、装置、存储介质以及电子设备。
一种应用控制方法，应用于电子设备，包括：获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；根据该采样时间点和运行参数生成训练样本；利用该训练样本对预设的贝叶斯模型进行训练；基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
如图1所示，该应用控制方法应用于电子设备，其具体流程可以如下：
101、获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
本实施例中，该历史时段可以人为设定，比如可以是前一个月或前两个月。该采样时间点主要根据采样频率而定，比如可以每分钟或者每两分钟采样一次，其可以表现为x年x月x日x时x分的形式。该充电连接状态和网络连接状态均可以包括连接和未连接两种情况。
实际应用过程中，该运行参数可以是实时获取的，比如到达采样时间点即进行对应数据的采集操作，也可以是一次性获取的，比如电子设备可以提前在本地数据库中记录历史时段内每一次亮灭屏变化数据、充电状态变化数据、网络状态变化数据、以及应用打开数据，之后，可以根据采样频率一次性提取出每一采样时间点的运行参数。
102、根据该采样时间点和运行参数生成训练样本。
例如，上述步骤102具体可以包括：
1-1、根据该采样时间点确定采样日期类型和采样时段。
本实施例中，该采样日期类型是对每周进行划分，其可以包括工作日和周末。该采样时段是对每天进行划分，其可以将一天分为48个时段。
1-2、确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围。
本实施例中，该预设电量范围和预设时长范围均可以人为设定，该预设电量范围可以包括指示高电量、中电量和低电量的三个区间范围，比如高电量可以是70％-100％，中电量可以是40％-70％，低电量可以是0-40％等，该预设时长范围可以包括指示短、中和长的三个区间范围，比如长可以是10min以上，中可以是5-10min，短可以是0-5min。
1-3、根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
例如，上述步骤1-3具体可以包括：
1-3-1、获取目标预测应用。
本实施例中，该目标预测应用可以是电子设备中所安装的全部应用，也可以是部分应用，当为部分应用时，其可以是近期出现频率最高的若干个应用，具体数量可以根据实际需求而定。
1-3-2、根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用。
本实施例中，由于历史时段内每次采样获得的前台应用都是已知的，故对于任意一次采样获得的前台应用，在该采样时间点之前获得的不同前台应用都可以认为是当前前台应用的上一切换应用，在该采样时间点之后获得的不同前台应用都可以认为是当前前台应用的下一切换应用，通常，可以取离当前采样时间点最近的不同前台应用作为上一切换应用和下一切换应用。实际操作过程中，可以先根据采样时间点对所有前台应用进行排序，对于排序后的任意三个相邻的不同前台应用，前面的前台应用可以作为中间的前台应用的上一切换应用，后面的前台应用可以作为中间的前台应用的下一切换应用。
1-3-3、根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值。
本实施例中，该预测值可以是人为设定的数值，比如0和1，其中，0可以表示该目标预测应用不会在短时间内切换至前台使用，1可以表示该目标预测应用会在短时间内切换至前台使用。由于在历史时段内采集的所有前台应用都是已知的，故可以根据已知前台应用、以及其采样时间点来确定目标预测应用的预测值，此时，上述步骤1-3-3具体可以包括：
计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长；
若是，则将该目标预测应用的预测值确定为第一预设数值；
若否，则将该目标预测应用的预测值确定为第二预设数值。
本实施例中，该预设时长、第一预设数值和第二预设数值均可以人为设定，该预设时长主要用于界定时间长短，其可以是10min，该第一预设数值可以是1，第二预设数值可以是0。对于每次采样，当需要预测的目标预测应用即为下一切换应用时，需要进一步分析从当前应用切换至下一切换应用所花的时长，只有当该间隔时长在预设时长之内时，才可以将该目标预测应用的预测值设为1，否则，全部设为0。
1-3-4、根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
本实施例中，为从多个维度对用户行为进行分析，以使训练出的机器学习模型更拟人化，每一训练样本可以由多个已知特征项以及标签项的数据组成，该已知特征项可以包括该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态和网络连接状态等，该标签项主要是。
例如，上述步骤1-3-4具体可以包括：
分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
根据该特征值和预测值生成训练样本。
本实施例中，由于计算机程序一般以字符的形式编码运行，故该特征值主要可以表现为阿拉伯数字或字母的形式，比如1-10，每一特征项也可以表现为字母的形式，比如前台应用为H，采样日期类型为B，等等。在生成训练样本时，可以直接将特征项的特征值作为先验条件，将每一目标预测应用的预测值作为后验结果，生成该训练样本。
容易理解的是，每一特征项对应的特征值可以是预先设定好的，不同特征项的特征值可以相同，也可以不同，比如前台应用和采样时段的特征值都可以包括0～10，但是，每个数字在不同的特征项中指代的意义不同，比如对于前台应用，0可以指代美团，对于采样时段，0可以指代0:00-1:00这个时段。
103、利用该训练样本对预设的贝叶斯模型进行训练。
例如，该特征值可以包括(q1,q2…qm)，该预测值可以包括j1和j2，此时，上述步骤103具体可以包括：
将所述预测值输入第一预设公式中，得到对应预测值的概率，所述第一预设公式为：其中N(j1)表示事件j1出现的次数，N(j2)表示事件j2出现的次数，P(j2)表示事件j2发生的概率；
将所述特征值和预测值输入第二预设公式中，得到对应特征值和预测值的概率，所述第二预设公式为：其中，1≤i≤m，P(qi|j2)表示在事件j2发生的前提下，事件qi发生的概率，N(qi,j2)表示事件qi和j2同时发生的次数。
本实施例中，该贝叶斯模型可以为：其中，m为特征项的个数，q1,q2…qm为先验条件的特征值，qi为第i个特征项对应的特征值，J为目标预测应用的预测值。为简化计算，假设q1,q2…qm是相互独立的，则从而得到朴素贝叶斯分类器模型：
JMAX＝arg max P(J|q1,q2…qm)＝arg maxP(q1|J)P(q2|J)…P(qm|J)，其中J可以表示j1或j2，各个特征项概率值是出现次数的统计概率，也即上述公式：
其中，j1为第一预设数值，j2为第二预设数值。容易得知，训练贝叶斯模型的过程就是概率统计的过程，也即对贝叶斯模型训练后，可以得到每个特征项中不同特征值的概率值，比如P(q1)、P(q1|j2)。
104、基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
例如，上述步骤104具体可以包括：
2-1、获取后台应用清理指令。
本实施例中，该后台应用清理指令可以是电子设备自动生成的，比如内存占用量到达一定限度，或者电量不足，或者运行速度过慢时，生成该后台应用清理指令，当然，该后台应用清理指令也可以是用户手动操作生成的，比如用户可以通过点击指定清理图标来生成该后台应用清理指令。
2-2、根据该后台应用清理指令获取该电子设备的后台应用、以及当前的运行参数。
2-3、利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率。
例如，上述步骤2-3具体可以包括：
根据当前的运行参数确定当前特征值；
将当前特征值输入第三预设公式中进行计算，得到可清理率，该第三预设公式为：其中，1≤k≤m，qk为当前特征值。
本实施例中，和训练过程类似，可以先根据当前的运行参数得到当前的采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、上一切换应用、充电连接状态、网络连接状态以及当前需预测的后台应用这9个特征项，则m为9，并获取这几个特征项对应的特征值q1,q2…q9，之后利用公式：
P(j2|q1,q2…q9)＝P(j2)P(q1|j2)P(q2|j2)…P(q9|j2)来计算在当前特征值发生的前提下，j2发生的概率(也即当前需预测的后台应用不会在短时间内切换至前台)的概率值，作为可清理率。
2-4、根据该可清理率关闭该后台应用。
例如，上述步骤2-4具体可以包括：
选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用；
关闭该目标应用。
本实施例中，该预设阈值和预设个数均可以人为设定，比如该预设阈值可以为0.5，该预设个数可以为4，也即当计算出的P(j2|q1,q2…qm)大于0.5时，可以认为后台应用i短时间内不会切换至前台，进而可以作为清理对象进行清理。
由上述可知，本实施例提供的应用控制方法，应用于电子设备，通过获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态，并根据该采样时间点和运行参数生成训练样本，接着利用该训练样本对预设的贝叶斯模型进行训练，并基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制，从而可以根据以往应用的使用情况较好地选出需要清理的后台应用，方法简单，灵活性高，节约了系统资源，用户体验感好。
在本实施例中，将以该应用控制装置具体集成在电子设备中为例进行详细说明。
请参见图2和图3，一种应用控制方法，具体流程可以如下：
201、电子设备获取历史时段内每一采样时间点的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
譬如，该历史时段可以是过去一个月，该采样时间点可以是过去一个月内每分钟所。该运行参数可以是从数据库中提取出来的，该数据库内可以存储有过去一个月电子设备中应用的使用记录、屏幕的亮灭记录、充电记录以及WiFi连接记录，如下表1-4，之后，根据这些记录可以提取出每一采样时间点的运行参数。
应用名 打开此应用的时间戳
com.tencent.mobileqq 1457550655465
com.android.settings 1457605107522
... ...
表1:应用使用记录
屏幕状态变化 时间戳
亮->灭 1457605131575
灭->亮 1457605151786
... ...
表2:亮屏灭屏记录
充电状态变化 电量 时间戳
进入充电 23％ 1457605131510
灭退出充电 80％ 1457605151786
... ...
表3:充电记录
Wifi状态变化 SSID BSSID 时间戳
连接wifi ... ... 1457605111510
断开wifi ... ... 1457605131286
... ...
表4:Wifi记录
202、电子设备根据该采样时间点确定采样日期类型和采样时段，并确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围。
譬如，若采样时间点为2012年10月17日10时55分，每天可以分为48个时段，则当天为周三，其采样日期类型为工作日，采样时段为第11个时段。若剩余电量为80％，则其预设电量范围可以为70％-100％所对应的高电量。若已亮屏时长为3min，则其预设时长范围可以为0-5min所对应的短时长。
203、电子设备获取目标预测应用，并根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用。
譬如，该目标预测应用可以是近期出现频率最高的十个个应用APP1、APP2…APP10。可以先根据采样时间点对所有前台应用进行排序，对于排序后的任意三个相邻的不同前台应用，前面的前台应用可以作为中间的前台应用的上一切换应用，后面的前台应用可以作为中间的前台应用的下一切换应用，比如对于某个采样时间点，前台应用可以为APP10，上一切换应用可以为APP1，下一切换应用可以为APP5。
204、电子设备计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值，并判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长，若是，则将该目标预测应用的预测值确定为第一预设数值，若否，则将该目标预测应用的预测值确定为第二预设数值。
譬如，采样得到APP1与APP10的间隔时长可以为T1，该第一预设数值可以是1，第二预设数值可以是0，该预设时长可以为10min，此时，若正需要预测的目标预测应用为APP5，且T1≤10，则可以将目标预测应用的预测值设定为1，否则，设定为0。
205、电子设备分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值，并根据该特征值和预测值生成训练样本。
譬如，该训练样本的组成可以参见图4，该训练样本中特征值和特征项的对应关系可以参见下表5，
表5
206、电子设备将每一训练样本输入预设的贝叶斯模型中，以对该贝叶斯模型进行训练。
譬如，该特征值可以包括(q1,q2…qm)，该预测值可以包括j1和j2，此时，上述步骤206具体可以包括：
将所述预测值输入第一预设公式中，得到对应预测值的概率，所述第一预设公式为：其中N(j1)表示事件j1出现的次数，N(j2)表示事件j2出现的次数，P(j2)表示事件j2发生的概率；
将所述特征值和预测值输入第二预设公式中，得到对应特征值和预测值的概率，所述第二预设公式为：其中，1≤i≤m，P(qi|j2)表示在事件j2发生的前提下，事件qi发生的概率，N(qi,j2)表示事件qi和j2同时发生的次数。
本实施例中，该贝叶斯模型可以为：其中，m为特征项的个数，q1,q2…qm为先验条件的特征值，qi为第i个特征项对应的特征值，J为目标预测应用的预测值。为简化计算，假设q1,q2…qm是相互独立的，则从而得到朴素贝叶斯分类器模型：
JMAX＝arg max P(J|q1,q2…qm)＝arg maxP(q1|J)P(q2|J)…P(qm|J)，其中J可以表示j1或j2，各个特征项概率值是出现次数的统计概率，也即上述公式：
其中，j1为第一预设数值，j2为第二预设数值。容易得知，训练贝叶斯模型的过程就是概率统计的过程，也即对贝叶斯模型训练后，可以得到每个特征项中不同特征值的概率值，比如P(q1)、P(q1|j2)。
207、电子设备获取后台应用清理指令。
譬如，当检测到内存占用量到达一定限度，或者电量不足，或者运行速度过慢时，电子设备可以自动生成该后台应用清理指令。
208、电子设备根据该后台应用清理指令获取后台应用、以及当前的运行参数。
209、电子设备利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率。
譬如，上述步骤209进一步可以包括：
根据当前的运行参数确定当前特征值；
将当前特征值输入第三预设公式中进行计算，得到可清理率，该第三预设公式为：其中，1≤k≤m，qk为当前特征值。
本实施例中，和训练过程类似，可以先根据当前的运行参数得到当前的采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、上一切换应用、充电连接状态、网络连接状态以及当前需预测的后台应用这9个特征项，则m为9，并获取这几个特征项对应的特征值q1,q2…q9，之后利用公式：
P(j2|q1,q2…q9)＝P(j2)P(q1|j2)P(q2|j2)…P(q9|j2)来计算在当前特征值发生的前提下，j2发生的概率(也即当前需预测的后台应用不会在短时间内切换至前台)的概率值，作为可清理率。
210、电子设备选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用，并关闭该目标应用。
譬如，该预设阈值可以为0.5，该预设个数可以为4，也即当计算出的P(j2|q1,q2…qm)大于0.5时，可以认为后台应用i短时间内不会切换至前台，进而可以作为清理对象进行清理。
由上述可知，本实施例提供的应用控制方法，其中电子设备可以获取历史时段内每一采样时间点的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态，接着，根据该采样时间点确定采样日期类型和采样时段，并确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围，接着，获取目标预测应用，并根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用，之后，计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值，并判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长，若是，则将该目标预测应用的预测值确定为第一预设数值，若否，则将该目标预测应用的预测值确定为第二预设数值，之后，分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值，并根据该特征值和预测值生成训练样本，接着，将每一训练样本输入预设的贝叶斯模型中，以对该贝叶斯模型进行训练，接着，获取后台应用清理指令，并根据该后台应用清理指令获取后台应用、以及当前的运行参数，接着，利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率，并选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用，之后关闭该目标应用，从而可以根据以往应用的使用情况较好地选出需要清理的后台应用，方法简单，灵活性高，节约了系统资源，用户体验感好。
根据上述实施例所描述的方法，本实施例将从应用控制装置的角度进一步进行描述，该应用控制装置具体可以作为独立的实体来实现，也可以集成在电子设备，比如终端中来实现，该终端可以包括手机、平板电脑以及个人计算机等。
请参阅图5，图5具体描述了本申请实施例提供的应用控制装置，应用于电子设备，其可以包括：获取模块10、生成模块20、训练模块30和控制模块40，其中：
(1)获取模块10
获取模块10，用于获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
本实施例中，该历史时段可以人为设定，比如可以是前一个月或前两个月。该采样时间点主要指采样频率，比如可以每分钟或者每两分钟采样一次，其可以表现为x年x月x日x时x分的形式。该充电连接状态和网络连接状态均可以包括连接和未连接两种情况。
实际应用过程中，该运行参数可以是实时获取的，比如到达采样时间点获取模块10即进行对应数据的采集操作，也可以是一次性获取的，比如电子设备可以提前在本地数据库中记录历史时段内每一次亮灭屏变化数据、充电状态变化数据、网络状态变化数据、以及应用打开数据，之后，获取模块10可以根据采样频率一次性提取出每一采样时间点的运行参数。
(2)生成模块20
生成模块20，用于根据该采样时间点和运行参数生成训练样本。
例如，请参见图6，该生成模块20具体可以包括第一确定子模块21、第二确定子模块22和生成子模块22，其中：
第一确定子模块21，用于根据该采样时间点确定采样日期类型和采样时段。
本实施例中，该采样日期类型是对每周进行划分，其可以包括工作日和周末。该采样时段是对每天进行划分，其可以将一天分为48个时段。
第二确定子模块22，用于确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围。
本实施例中，该预设电量范围和预设时长范围均可以人为设定，该预设电量范围可以包括指示高电量、中电量和低电量的三个区间范围，比如高电量可以是70％-100％，中电量可以是40％-70％，低电量可以是0-40％等，该预设时长范围可以包括指示短、中和长的三个区间范围，比如长可以是10min以上，中可以是5-10min，短可以是0-5min。
生成子模块23，用于根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
例如，请参见图7，该生成子模块23具体可以包括获取单元231、第一确定单元232、第二确定单元233以及生成单元234，其中：
获取单元231，用于获取目标预测应用。
本实施例中，该目标预测应用可以是电子设备中所安装的全部应用，也可以是部分应用，当为部分应用时，其可以是近期出现频率最高的若干个应用，具体数量可以根据实际需求而定。
第一确定单元232，用于根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用。
本实施例中，由于历史时段内每次采样获得的前台应用都是已知的，故对于任意一次采样获得的前台应用，在该采样时间点之前获得的不同前台应用都可以认为是当前前台应用的上一切换应用，在该采样时间点之后获得的不同前台应用都可以认为是当前前台应用的下一切换应用，通常，第一确定单元232可以取离当前采样时间点最近的不同前台应用作为上一切换应用和下一切换应用。实际操作过程中，可以先根据采样时间点对所有前台应用进行排序，对于排序后的任意三个相邻的不同前台应用，前面的前台应用可以作为中间的前台应用的上一切换应用，后面的前台应用可以作为中间的前台应用的下一切换应用。
第二确定单元233，用于根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值。
本实施例中，该预测值可以是人为设定的数值，比如0和1，其中，0可以表示该目标预测应用不会在短时间内切换至前台使用，1可以表示该目标预测应用会在短时间内切换至前台使用。由于在历史时段内采集的所有前台应用都是已知的，故可以根据已知前台应用、以及其采样时间点来确定目标预测应用的预测值，此时，该第二确定单元233进一步可以用于：
计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长；
若是，则将该目标预测应用的预测值确定为第一预设数值；
若否，则将该目标预测应用的预测值确定为第二预设数值。
本实施例中，该预设时长、第一预设数值和第二预设数值均可以人为设定，该预设时长主要用于界定时间长短，其可以是10min，该第一预设数值可以是1，第二预设数值可以是0。对于每次采样，当需要预测的目标预测应用即为下一切换应用时，该第二确定单元233需要进一步分析从当前应用切换至下一切换应用所花的时长，只有当该间隔时长在预设时长之内时，才可以将该目标预测应用的预测值设为1，否则，全部设为0。
生成单元234，用于根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
本实施例中，为从多个维度对用户行为进行分析，以使训练出的机器学习模型更拟人化，每一训练样本可以由多个已知特征项以及标签项的数据组成，该已知特征项可以包括该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态和网络连接状态等，该标签项主要是。
例如，该生成单元234具体可以用于：
分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
根据该特征值和预测值生成训练样本。
本实施例中，由于计算机程序一般以字符的形式编码运行，故该特征值主要可以表现为阿拉伯数字或字母的形式，比如1-10，每一特征项也可以表现为字母的形式，比如前台应用为H，采样日期类型为B，等等。在生成训练样本时，该生成单元234可以直接将特征项的特征值作为先验条件，将每一目标预测应用的预测值作为后验结果，生成该训练样本。
容易理解的是，每一特征项对应的特征值可以是预先设定好的，不同特征项的特征值可以相同，也可以不同，比如前台应用和采样时段的特征值都可以包括0～10，但是，每个数字在不同的特征项中指代的意义不同，比如对于前台应用，0可以指代美团，对于采样时段，0可以指代0:00-1:00这个时段。
(3)训练模块30
训练模块30，用于利用该训练样本对预设的贝叶斯模型进行训练。
例如，该特征值可以包括(q1,q2…qm)，该预测值可以包括j1和j2，此时，该训练模块30具体可以用于：
将所述预测值输入第一预设公式中，得到对应预测值的概率，所述第一预设公式为：其中N(j1)表示事件j1出现的次数，N(j2)表示事件j2出现的次数，P(j2)表示事件j2发生的概率；
将所述特征值和预测值输入第二预设公式中，得到对应特征值和预测值的概率，所述第二预设公式为：其中，1≤i≤m，P(qi|j2)表示在事件j2发生的前提下，事件qi发生的概率，N(qi,j2)表示事件qi和j2同时发生的次数。
本实施例中，该贝叶斯模型可以为：其中，m为特征项的个数，qi为第i个特征项对应的特征值，q1,q2…qm为先验条件的特征值，J为目标预测应用的预测值。为简化计算，假设q1,q2…qm是相互独立的，则从而得到朴素贝叶斯分类器模型：
JMAX＝arg max P(J|q1,q2…qm)＝arg maxP(q1|J)P(q2|J)…P(qm|J)，其中J可以表示j1或j2，各个特征项概率值是出现次数的统计概率，也即上述公式：
其中，j1为第一预设数值，j2为第二预设数值。容易得知，训练贝叶斯模型的过程就是概率统计的过程，也即对贝叶斯模型训练后，可以得到每个特征项中不同特征值的概率值，比如P(q1)、P(q1|j2)。
(4)控制模块40
控制模块40，用于基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
例如，该控制模块40具体可以用于：
2-1、获取后台应用清理指令。
本实施例中，该后台应用清理指令可以是电子设备自动生成的，比如内存占用量到达一定限度，或者电量不足，或者运行速度过慢时，生成该后台应用清理指令，当然，该后台应用清理指令也可以是用户手动操作生成的，比如用户可以通过点击指定清理图标来生成该后台应用清理指令。
2-2、根据该后台应用清理指令获取该电子设备的后台应用、以及当前的运行参数。
2-3、利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率。
例如，上述控制模块40具体可以用于：
根据当前的运行参数确定当前特征值；
将当前特征值输入第三预设公式中进行计算，得到可清理率，该第三预设公式为：
其中，1≤k≤m，qk为当前特征值。
本实施例中，和训练过程类似，可以先根据当前的运行参数得到当前的采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、上一切换应用、充电连接状态、网络连接状态以及当前需预测的后台应用这9个特征项，则m为9，并获取这9个特征项对应的特征值q1,q2…q9，之后利用公式：
P(j2|q1,q2…q9)＝P(j2)P(q1|j2)P(q2|j2)…P(q9|j2)来计算在当前特征值发生的前提下，j2发生的概率(也即当前需预测的后台应用不会在短时间内切换至前台)的概率值，作为可清理率。
2-4、根据该可清理率关闭该后台应用。
例如，该控制模块40进一步可以用于：
选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用；
关闭该目标应用。
本实施例中，该预设阈值和预设个数均可以人为设定，比如该预设阈值可以为0.5，该预设个数可以为4，也即当计算出的P(j2|q1,q2…qm)大于0.5时，可以认为后台应用i短时间内不会切换至前台，进而可以作为清理对象进行清理。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上述可知，本实施例提供的应用控制装置，应用于电子设备，通过获取模块10获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态，接着，生成模块20根据该采样时间点和运行参数生成训练样本，训练模块30利用该训练样本对预设的贝叶斯模型进行训练，控制模块40基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制，从而可以根据以往应用的使用情况较好地选出需要清理的后台应用，方法简单，灵活性高，节约了系统资源，用户体验感好。
另外，本申请实施例还提供了一种电子设备，该电子设备可以是智能手机、平板电脑等设备。图8所示，电子设备500包括处理器501、存储器502、显示屏503以及控制电路504。其中，处理器501分别与存储器502、显示屏503、控制电路504电性连接。
处理器501是电子设备500的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器502内的应用程序，以及调用存储在存储器502内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备500中的处理器501会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能：
获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
根据该采样时间点和运行参数生成训练样本；
利用该训练样本对预设的贝叶斯模型进行训练；
基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
存储器502可用于存储应用程序和数据。存储器502存储的应用程序中包含有可在处理器中执行的指令。应用程序可以组成各种功能模块。处理器501通过运行存储在存储器502的应用程序，从而执行各种功能应用以及数据处理。
显示屏503可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路504与显示屏503电性连接，用于控制显示屏503显示信息。
在一些实施例中，如图8所示，电子设备500还包括：射频电路505、输入单元506、音频电路507、传感器508以及电源509。其中，处理器501分别与射频电路505、输入单元506、音频电路507、传感器508以及电源509电性连接。
射频电路505用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。
输入单元506可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元506可以包括指纹识别模组。
音频电路507可通过扬声器、传声器提供用户与终端之间的音频接口。
电子设备500还可以包括至少一种传感器508，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在终端移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
电源509用于给电子设备500的各个部件供电。在一些实施例中，电源509可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图8中未示出，电子设备500还可以包括摄像头、蓝牙模块等，在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种应用控制方法中的步骤。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种应用控制方法中的步骤，因此，可以实现本发明实施例所提供的任一种应用控制方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
综上所述，虽然本申请已以优选实施例揭露如上，但上述优选实施例并非用以限制本申请，本领域的普通技术人员，在不脱离本申请的精神和范围内，均可作各种更动与润饰，因此本申请的保护范围以权利要求界定的范围为准。

Claims (15)

1.一种应用控制方法，应用于电子设备，其特征在于，包括：
获取历史时段内每一采样时间点所述电子设备的运行参数，所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
根据所述采样时间点和运行参数生成训练样本；
利用所述训练样本对预设的贝叶斯模型进行训练；
基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
2.根据权利要求1所述的应用控制方法，其特征在于，所述根据所述采样时间点和运行参数生成训练样本，包括：
根据所述采样时间点确定采样日期类型和采样时段；
确定所述剩余电量所属的预设电量范围，以及确定所述已亮屏时长所属的预设时长范围；
根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
3.根据权利要求2所述的应用控制方法，其特征在于，所述根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本，包括：
获取目标预测应用；
根据所述采样时间点从运行参数中确定所述前台应用的上一切换应用和下一切换应用；
根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值；
根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
4.根据权利要求3所述的应用控制方法，其特征在于，所述根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值，包括：
计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
判断所述目标预测应用是否为所述下一切换应用，且所述差值是否不超过预设时长；
若是，则将所述目标预测应用的预测值确定为第一预设数值；
若否，则将所述目标预测应用的预测值确定为第二预设数值。
5.根据权利要求3所述的应用控制方法，其特征在于，所述根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本，包括：
分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
根据所述特征值和预测值生成训练样本。
6.根据权利要求5所述的应用控制方法，其特征在于，所述特征值包括(q1,q2…qm)，所述预测值包括j1和j2，所述利用所述训练样本对预设的贝叶斯模型进行训练，包括：
将所述预测值输入第一预设公式中，得到对应预测值的概率，所述第一预设公式为：其中N(j1)表示事件j1出现的次数，N(j2)表示事件j2出现的次数，P(j2)表示事件j2发生的概率；
将所述特征值和预测值输入第二预设公式中，得到对应特征值和预测值的概率，所述第二预设公式为：其中，1≤i≤m，P(qi|j2)表示在事件j2发生的前提下，事件qi发生的概率，N(qi,j2)表示事件qi和j2同时发生的次数。
7.根据权利要求6所述的应用控制方法，其特征在于，所述基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制，包括：
获取后台应用清理指令；
根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的运行参数；
利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率；
根据所述可清理率关闭所述后台应用。
8.根据权利要求7所述的应用控制方法，其特征在于，所述利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率，包括：
根据当前的运行参数确定当前特征值；
将当前特征值输入第三预设公式中进行计算，得到可清理率，所述第三预设公式为：其中，1≤k≤m，qk为当前特征值。
9.根据权利要求7所述的应用控制方法，其特征在于，所述根据所述可清理率关闭所述后台应用，包括：
选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用；
关闭所述目标应用。
10.一种应用控制装置，应用于电子设备，其特征在于，包括：
获取模块，用于获取历史时段内每一采样时间点所述电子设备的运行参数，所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
生成模块，用于根据所述采样时间点和运行参数生成训练样本；
训练模块，用于利用所述训练样本对预设的贝叶斯模型进行训练；
控制模块，用于基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
11.根据权利要求10所述的应用控制装置，其特征在于，所述生成模块包括：
第一确定子模块，用于根据所述采样时间点确定采样日期类型和采样时段；
第二确定子模块，用于确定所述剩余电量所属的预设电量范围，以及确定所述已亮屏时长所属的预设时长范围；
生成子模块，用于根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
12.根据权利要求11所述的应用控制装置，其特征在于，所述生成子模块包括：
获取单元，用于获取目标预测应用；
第一确定单元，用于根据所述采样时间点从运行参数中确定所述前台应用的上一切换应用和下一切换应用；
第二确定单元，用于根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值；
生成单元，用于根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
13.根据权利要求12所述的应用控制装置，其特征在于，所述第二确定单元具体用于：
计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
判断所述目标预测应用是否为所述下一切换应用，且所述差值是否不超过预设时长；
若是，则将所述目标预测应用的预测值确定为第一预设数值；
若否，则将所述目标预测应用的预测值确定为第二预设数值。
14.一种存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1至9中任一项所述的应用控制方法。
15.一种电子设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行权利要求1至9中任一项所述的应用控制方法中的步骤。
CN201710923081.6A 2017-09-30 2017-09-30 应用控制方法、装置、存储介质以及电子设备 Active CN107704876B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710923081.6A CN107704876B (zh) 2017-09-30 2017-09-30 应用控制方法、装置、存储介质以及电子设备
PCT/CN2018/103283 WO2019062462A1 (zh) 2017-09-30 2018-08-30 应用控制方法、装置、存储介质以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710923081.6A CN107704876B (zh) 2017-09-30 2017-09-30 应用控制方法、装置、存储介质以及电子设备

Publications (2)

Publication Number Publication Date
CN107704876A true CN107704876A (zh) 2018-02-16
CN107704876B CN107704876B (zh) 2020-09-08

Family

ID=61184454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710923081.6A Active CN107704876B (zh) 2017-09-30 2017-09-30 应用控制方法、装置、存储介质以及电子设备

Country Status (2)

Country Link
CN (1) CN107704876B (zh)
WO (1) WO2019062462A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019062462A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用控制方法、装置、存储介质以及电子设备
CN111722695A (zh) * 2019-03-18 2020-09-29 北京小米移动软件有限公司 终端设备功耗优化方法及装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985708B (zh) * 2020-08-17 2023-09-22 云南电网有限责任公司电力科学研究院 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置
CN117691719B (zh) * 2024-01-30 2024-04-05 深圳市方利来科技有限公司 一种电动牙刷的充电控制方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105701025A (zh) * 2015-12-31 2016-06-22 华为技术有限公司 一种内存回收方法及装置
CN105718027A (zh) * 2016-01-20 2016-06-29 努比亚技术有限公司 后台应用程序的管理方法及移动终端
CN107133094A (zh) * 2017-06-05 2017-09-05 努比亚技术有限公司 应用管理方法、移动终端及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120210150A1 (en) * 2011-02-10 2012-08-16 Alcatel-Lucent Usa Inc. Method And Apparatus Of Smart Power Management For Mobile Communication Terminals
CN106201686A (zh) * 2016-06-30 2016-12-07 北京小米移动软件有限公司 应用的管理方法、装置及终端
CN106648023A (zh) * 2016-10-02 2017-05-10 上海青橙实业有限公司 移动终端及其基于神经网络的省电方法
CN107704876B (zh) * 2017-09-30 2020-09-08 Oppo广东移动通信有限公司 应用控制方法、装置、存储介质以及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105701025A (zh) * 2015-12-31 2016-06-22 华为技术有限公司 一种内存回收方法及装置
CN105718027A (zh) * 2016-01-20 2016-06-29 努比亚技术有限公司 后台应用程序的管理方法及移动终端
CN107133094A (zh) * 2017-06-05 2017-09-05 努比亚技术有限公司 应用管理方法、移动终端及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHAONENG XIANG ET AL: "HiNextApp: A Context-Aware and Adaptive Framework for App Prediction in Mobile Systems", 《2017 IEEE TRUSTCOM/BIGDATASE/ICESS》 *
黄文茜 等: "基于用户行为分析的智能终端应用管理优化", 《计算机系统应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019062462A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用控制方法、装置、存储介质以及电子设备
CN111722695A (zh) * 2019-03-18 2020-09-29 北京小米移动软件有限公司 终端设备功耗优化方法及装置
CN111722695B (zh) * 2019-03-18 2022-03-25 北京小米移动软件有限公司 终端设备功耗优化方法及装置

Also Published As

Publication number Publication date
CN107704876B (zh) 2020-09-08
WO2019062462A1 (zh) 2019-04-04

Similar Documents

Publication Publication Date Title
CN107577522A (zh) 应用控制方法、装置、存储介质以及电子设备
CN107678803B (zh) 应用管控方法、装置、存储介质及电子设备
CN107704876A (zh) 应用控制方法、装置、存储介质以及电子设备
CN107832132A (zh) 应用控制方法、装置、存储介质及电子设备
CN107632697B (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN107729143A (zh) 应用控制方法、装置、存储介质及电子设备
CN107943534A (zh) 后台应用程序的关闭方法、装置、存储介质及电子设备
CN107885545A (zh) 应用管理方法、装置、存储介质及电子设备
CN107835311A (zh) 应用管理方法、装置、存储介质及电子设备
CN107402808B (zh) 进程管理方法、装置、存储介质及电子设备
CN105447583A (zh) 一种预测用户离网的方法及装置
CN107729081A (zh) 应用管理方法、装置、存储介质及电子设备
CN109062468A (zh) 分屏显示方法、装置、存储介质和电子设备
CN104424432A (zh) 一种信息处理方法及电子设备
CN107402804A (zh) 后台进程管控方法、装置、存储介质及电子设备
CN107977248A (zh) 一种桌面挂件的显示方法及移动终端
CN107943570A (zh) 应用管理方法、装置、存储介质及电子设备
CN107765947A (zh) 一种信息处理方法及装置、终端及可读存储介质
CN107748697A (zh) 应用关闭方法、装置、存储介质及电子设备
CN107728772B (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN110167006A (zh) 一种控制应用程序使用sim卡的方法及终端设备
CN108920064A (zh) 分屏窗口调节方法、装置、存储介质及电子设备
CN106503543A (zh) 一种管理应用程序的方法和装置
CN108681480B (zh) 后台应用程序管控方法、装置、存储介质及电子设备
CN110825475A (zh) 一种输入方法及电子设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18

Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd.

Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18

Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd.

GR01 Patent grant
GR01 Patent grant