CN109947497B - 应用程序预加载方法、装置、存储介质及移动终端 - Google Patents

应用程序预加载方法、装置、存储介质及移动终端 Download PDF

Info

Publication number
CN109947497B
CN109947497B CN201711387747.7A CN201711387747A CN109947497B CN 109947497 B CN109947497 B CN 109947497B CN 201711387747 A CN201711387747 A CN 201711387747A CN 109947497 B CN109947497 B CN 109947497B
Authority
CN
China
Prior art keywords
application program
target application
prediction model
sample
random forest
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.)
Active
Application number
CN201711387747.7A
Other languages
English (en)
Other versions
CN109947497A (zh
Inventor
陈岩
刘耀勇
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 CN201711387747.7A priority Critical patent/CN109947497B/zh
Priority to PCT/CN2018/112263 priority patent/WO2019119969A1/en
Priority to US16/173,564 priority patent/US10908920B2/en
Priority to EP18204234.1A priority patent/EP3502878B1/en
Publication of CN109947497A publication Critical patent/CN109947497A/zh
Application granted granted Critical
Publication of CN109947497B publication Critical patent/CN109947497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本申请实施例公开了应用程序预加载方法、装置、存储介质及移动终端。应用程序预加载方法包括：检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息；将所述第一状态特征信息输入至所述目标应用程序对应的随机森林预测模型中，其中，所述随机森林预测模型基于所述移动终端在对应历史状态特征信息时的所述目标应用程序使用规律生成；根据所述随机森林预测模型的输出结果确定是否对所述目标应用程序进行预加载。本申请实施例通过采用上述技术方案，可以有效提高是否对目标应用程序进行预加载判断的准确性，进一步降低终端系统功耗和内存占用率，优化应用程序预加载机制。

Description

应用程序预加载方法、装置、存储介质及移动终端
技术领域
本申请实施例涉及计算机技术领域，尤其涉及应用程序预加载方法、装置、存储介质及移动终端。
背景技术
目前，随着智能终端技术的快速发展，诸如智能手机、平板电脑以及智能电视等智能设备已成为人们生活中必不可少的电子设备。
智能终端上安装有各种各样的应用程序(Application Software，APP)，一般默认在用户打开一个应用程序时才开始加载这个应用程序，而应用程序占用的存储空间越来越大，加载时间也越来越长，浪费了用户的宝贵时间。为了使应用程序运行的更加流畅，有些智能终端会将提前将某些应用程序的加载资源准备好，即对某些应用程序提前进行预加载。
但是，不能对应用程序进行随意预加载，因为若预加载太多资源，则会占用较多的存储空间，同时功耗变大，会严重影响终端使用的流畅性。因此，优化预加载机制、降低终端功耗变得至关重要。
发明内容
本申请实施例提供一种应用程序预加载方法、装置、存储介质及移动终端，可以优化智能终端中应用程序的预加载方案。
第一方面，本申请实施例提供了一种应用程序预加载方法，包括：
检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息；
将所述第一状态特征信息输入至所述目标应用程序对应的随机森林预测模型中，其中，所述随机森林预测模型基于所述移动终端在对应历史状态特征信息时的所述目标应用程序使用规律生成；
根据所述随机森林预测模型的输出结果确定是否对所述目标应用程序进行预加载。
第二方面，本申请实施例提供了一种应用程序预加载装置，包括：
第一状态获取模块，用于检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息；
特征信息输入模块，用于将所述第一状态特征信息输入至所述目标应用程序对应的随机森林预测模型中，其中，所述随机森林预测模型基于所述移动终端在对应历史状态特征信息时的所述目标应用程序使用规律生成；
预加载判断模块，用于根据所述随机森林预测模型的输出结果确定是否对所述目标应用程序进行预加载。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的应用程序预加载方法。
第四方面，本申请实施例提供了一种智能终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的应用程序预加载方法。
本申请实施例中提供的应用程序预加载方案，当检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息，并将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中，其中，随机森林预测模型基于移动终端在对应历史状态特征信息时的目标应用程序使用规律生成，最后根据随机森林预测模型的输出结果确定是否对目标应用程序进行预加载。通过采用上述技术方案，不仅解决了应用程序预加载太多资源，占用太多资源及功耗变大，甚至影响终端使用流畅性的技术问题，而且可以有效提高是否对目标应用程序进行预加载判断的准确性，进一步降低了终端系统功耗和内存占用率，优化了应用程序预加载机制。
附图说明
图1为本申请实施例提供的一种应用程序预加载方法的流程示意图；
图2为本申请实施例提供的另一种应用程序预加载方法的流程示意图；
图3为本申请实施例提供的应用程序预加载方法的流程示意图；
图4为本申请实施例提供的应用程序预加载方法的流程示意图；
图5为本申请实施例提供的一种应用程序预加载装置的结构示意图；
图6为本申请实施例提供的一种移动终端的结构示意图；
图7为本申请实施例提供的又一种移动终端的结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本申请的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在终端设备上，对应用程序进行预加载是一种常用且有效提升用户体验的方法，通过提前把某些应用的加载资源准备好，使其运行时更流畅。
现有技术中，主要是基于统计的方法对应用程序进行预加载，比如用户最常用的应用程序可能只有几个，将其全部进行预加载；或者根据用户的使用习惯对应用程序进行打分排名，将排名较高的应用程序进行预加载。然而，上述方法由于忽略了应用程序之间相互关联的信息，以及时间信息，终端状态信息等，导致预加载应用程序的预测精度不够，需要预加载过多资源，但实际用户下一时刻使用的应用程序仅为一个，影响了用户体验。因此，准确预测用户下一时刻将要启动的应用程序具有重要意义。
图1为本申请实施例提供的一种应用程序预加载方法的流程示意图，该方法可以由应用程序预加载装置执行，其中该装置可由软件和/或硬件实现，一般可集成在移动终端中。如图1所示，该方法包括：
步骤101、检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息。
在本申请实施例中，当检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息，从而进行目标应用程序预加载的管控事件。
目标应用程序可以是移动终端中的任意一个或多个应用程序。可以理解的是，当检测到某一个或某多个应用程序被关闭时，则可以将该一个或多个应用程序作为目标应用程序。其中，当检测到目标应用程序被移动终端中的清理软件查杀清除时，可表征目标应用程序被关闭；当检测到目标应用程序被用户从前台彻底关闭时，可表征目标应用程序被关闭；当检测到在后台运行的应用程序被关闭时，可表征目标应用程序被关闭。需要说明的是，本申请实施例对检测目标应用程序被关闭的具体表现形式不做限定。
当检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息。其中，移动终端当前的第一状态特征信息可以包括以下至少一项：时间信息、日期类别、移动数据网络的开关状态、无线热点的连接状态、所连接的无线热点的身份信息、当前运行的应用程序、上一个前景应用程序、目标应用程序在后台停留的时长、目标应用程序最近一次被切换至后台的时间、耳机插孔的插拔状态、充电状态、电池电量信息、屏幕显示时长、移动终端的运动状态、位置信息、蓝牙连接状态、目标应用程序被关闭前在前台运行时长和最近一次屏幕熄灭时长。
时间信息可以理解为移动终端当前的时间段，例如，时间信息可以包括：早高峰、午间、晚高峰、工作时间以及休息时间。当然，时间信息也可以对一天24小时0:00-24:00进行均等划分，如划分为6个时间段，每个时间段时长为4小时。其中，时间信息可以通过时间戳的形式进行记载。日期类别可以包括：工作日及节假日，其中，日期类别也可以通过时间戳的形式进行记载。移动数据网络的开关状态可以包括移动数据网络处于开启状态和关闭状态，可以理解的是，当移动数据网络处于开启状态时，移动终端可以通过移动数据网络进行网页浏览等一系列的上网操作；当移动数据网络处于关闭状态时，移动终端不可以通过移动数据网络进行网页浏览等操作。无线热点的连接状态可以包括无线热点处于连接状态和无线热点处于断开状态。当无线热点处于连接状态时，第一状态特征信息还可以包括连接的无线热点的身份信息。连接的无线热点的身份信息可以包括服务集标识符(ServiceSet Identifier，SSID)，和基本业务集标识(Basic Service Set ID，BSSID)。当前运行的应用程序可以理解为移动终端的前台正在运行的应用程序，还可以包括正在后台运行的应用程序，其中，可以获取当前运行的应用程序的包名和/或组件名称等能够唯一标识当前运行的应用程序的标识信息。上一个前景应用程序可以理解为在当前前景应用程序在移动终端前台运行之前，最近一次在前台运行的应用程序。目标应用程序在后台停留的时长可以理解为目标应用程序从被切换至后台到被从后台彻底清除的时长。其中，移动终端中任意一个或多个应用程序被关闭时，该应用程序均可以称为目标应用程序。目标应用程序与当前运行的应用程序可以相同，也可以不同。同样的，目标应用程序与上一个前景应用程序可以相同，也可以不同。目标应用程序最近一次被切换至后台的时间可以理解为从目标应用程序最近一次被切换至后台的时刻，根据该时间可以确定目标应用程序最近一次被切换至后台距离当前时刻的时长。耳机插孔的插拔状态可以理解为耳机与移动终端处于连接状态或耳机与移动终端处于未连接状态。充电状态可以包括移动终端是否处于充电模式，其中，当移动终端处于充电模式时，还可以包括充电模式类型。充电模式类型可以包括快速充电模式和普通充电模式，快速充电模式可以是通过快充电源适配器(如移动电源)进行充电，普通充电模式可以是通过普通的电源适配器(如移动终端的原装充电器)进行充电。电池电量信息可以理解为当前终端剩余电量的多少。屏幕显示时长可以理解为最近一次屏幕被点亮维持的时长。运动状态可以包括移动终端当前的速度和/或加速度。位置信息可以理解为移动终端当前所处的具体位置，可以包括省、市、区和县，甚至可以具体到街道名称、大厦名称等。蓝牙连接状态可以包括蓝牙处于连接状态和蓝牙处于断开或关闭状态。目标应用程序被关闭前在前台运行时长可以理解为，若目标应用程序被关闭前在前台运行，则获取目标应用程序在前台运行的时长。最近一次屏幕熄灭时长可以理解为最近一次从屏幕熄灭开始到屏幕点亮所持续的时长。
步骤102、将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中。
其中，随机森林预测模型基于移动终端在对应历史状态特征信息时的目标应用程序使用规律生成。
目标应用程序对应的随机森林预测模型可以理解为在输入第一状态特征信息后快速确定目标应用程序是否即将被启动的学习模型。随机森林预测模型可以是基于移动终端在对应历史状态特征信息时的目标应用程序使用规律生成，即将移动终端在对应历史状态特征信息时的目标应用程序使用规律作为训练样本，根据随机森林算法对该训练样本进行训练、学习，生成随机森林预测模型。
需要说明的是，当目标应用程序为一个时，即当检测到只有一个应用程序被关闭时，将第一状态特征信息输入至该目标应用程序(被关闭的应用程序)对应的随机森林预测模型中。当目标应用程序为多个时，即当检测到有多个应用程序被关闭时，则将第一状态特征信息分别输入至该多个目标应用程序(多个被关闭的应用程序)对应的随机森林预测模型中。例如，当检测到应用程序A和应用程序B同时被关闭，目标应用程序包括应用程序A和应用程序B，则分别将第一状态特征输入至应用程序A对应的随机森林预测模型A1和应用程序B对应的随机森林预测模型B1中。
步骤103、根据随机森林预测模型的输出结果确定是否对目标应用程序进行预加载。
在本申请实施例中，根据随机森林预测模型的输出结果确定是否对目标应用程序进行预加载。其中，将第一状态特征信息输入至目标应用对应的随机森林预测模型后，随机森林预测模型对第一状态特征进行综合分析，给出是否对目标应用程序进行预加载的判断结果。如，随机森林预测模型可以分别给出对目标应用程序进行预加载的第一概率值和不对目标应用程序进行预加载的第二概率值。其中，第一概率值和第二概率值的和为1。当第一概率值大于第二概率值时，则对目标应用程序进行预加载；当第一概率值小于第二概率值时，则不对目标应用程序进行预加载；当第一概率值和第二概率值大小相等时，可以根据用户选择确定是否对目标应用程序进行预加载。
其中，一个随机森林预测模型中可以包括多个决策树预测模型，或者说，多个决策树预测模型组成一个随机森林预测模型。将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中，可以理解的是，将第一状态特征信息分别输入至目标应用程序对应的随机森林预测模型中的每个决策树预测模型中。可以理解的是，根据对随机森林预测模型中各个决策树预测模型的输出结果的综合判断，确定是否对目标应用程序进行预加载。随机森林中的每个决策树预测模型均可以对是否对目标应用程序进行预加载给出一个判断结果，如对目标应用程序进行预加载时，判断结果为“是”；对目标应用程序不进行预加载时，判断结果为“否”。根据随机森林中每个决策树预测模型的判断结果，确定是否对目标应用程序进行预加载。如随机森林中的决策树预测模型中给出“是”的结果的个数大于给出“否”的结果的个数时，可以对目标应用程序进行预加载；而当给出“是”的结果的个数小于给出“否”的结果的个数时，可以不对目标应用程序进行预加载。另外，当给出“是”的结果的个数与给出“否”的结果的个数相等时，可以根据用户选择确定是否对目标应用程序进行预加载。
需要说明的是，目标应用程序包含多个时，每个目标应用程序对应的随机森林给出的对各个目标应用程序是否进行预加载的判断结果可以相同，也可以不同，本申请实施例对此不做限定。
本申请实施例提供的应用程序预加载方法，当检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息，并将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中，其中，随机森林预测模型基于移动终端在对应历史状态特征信息时的目标应用程序使用规律生成，最后根据随机森林预测模型的输出结果确定是否对目标应用程序进行预加载，不仅解决了应用程序预加载太多资源，占用太多资源及功耗变大，甚至影响终端使用流畅性的技术问题，而且可以有效提高是否对目标应用程序进行预加载判断的准确性，进一步降低了终端系统功耗和内存占用率，优化了应用程序预加载机制。
在一些实施例中，在检测到目标应用程序被关闭之前，还包括：在预设采集周期内获取所述移动终端在目标应用程序被关闭时刻的第二状态特征信息，作为所述目标应用程序的当前样本，监测所述目标应用程序在被关闭时刻之后的预设时间段内是否启动，并将监测结果记为当前样本的样本标记；根据所述预设采集周期内所采集的样本及对应的样本标记构建所述目标应用程序对应的随机森林预测模型。这样设置的好处在于，能够充分利用移动终端在对应历史状态特征信息时目标应用程序的使用规律，生成随机森林预测模型，可以进一步优化应用程序预加载机制，提高对目标应用程序是否进行预加载判断的准确性。
在本申请实施例中，在预设采集周期内对目标应用程序进行样本采集，并构建目标应用程序对应的随机森林预测模型。可以理解的是，在预设采集周期内获取移动终端在目标应用程序被关闭时刻的第二状态特征信息，并作为目标应用程序的当前样本。示例性的，预设采集周期为两周时间，则获取在这两周时间内，目标应用程序各个被关闭时刻对应的第二状态特征信息，作为目标应用程序的各个样本。示例性的，目标应用程序在8:00这一时刻被关闭，则8:00进行第一次采样，获取移动终端在8:00这一时刻的第二状态特征信息，作为目标应用程序的第一条样本；目标应用程序在8:10这一时刻再次被关闭，则8:10进行第二次采样，获取移动终端在8:10这一时刻的第二状态特征信息，作为目标应用程序的第二条样本；目标应用程序在8:30这一时刻再次被关闭，则8:30进行第三次采样，获取移动终端在8:30这一时刻的第二状态特征信息，作为当前应用程序的第三条样本…，依次类推，获取移动终端在目标应用程序被关闭的各个时刻的第二状态特征信息。其中，预设采集周期可以根据目标应用程序被关闭的频率多少进行适应性设置，如目标应用程序被关闭的较频繁时，预设采集周期可以适应性地设置的短些；目标应用程序被关闭的不是很频繁时，预设采集周期可以适应性地设置的长些。又示例性的，预设采集周期也可以根据用户需求进行适应性地设置，当对目标应用程序预测精度要求较高时，可以将预设采集周期设置的长些；当对目标应用程序预测精度要求较低时，可以将采预设采集周期设置的短些。又示例性的，预设采集周期也可以根据终端处理数据量的能力大小进行设置，如终端对处理随机森林预测模型建立时训练样本的数据量的能力较大时，可以将预设采集周期设置的长些；终端对处理随机森林预测模型建立时训练样本的数据量的能力较小时，可以将预测采集周期设置的短些。本实施例对预设采集周期设置的长短及设置方式不做具体限定。
其中，第二状态特征信息可以包括以下至少一项：时间信息、日期类别、移动数据网络的开关状态、无线热点的连接状态、所连接的无线热点的身份信息、当前运行的应用程序、上一个前景应用程序、目标应用程序在后台停留的时长、目标应用程序最近一次被切换至后台的时间、耳机插孔的插拔状态、充电状态、电池电量信息、屏幕显示时长、移动终端的运动状态、位置信息、蓝牙连接状态、目标应用程序被关闭前在前台运行时长和最近一次屏幕熄灭时长。
在本申请实施例中，在预设采集周期内获取所述移动终端在目标应用程序被关闭时刻的第二状态特征信息，作为所述目标应用程序的当前样本后，监测目标应用程序在被关闭时刻之后的预设时间段内是否启动。示例性的，目标应用程序在8:00这一时刻被关闭，则获取移动终端在8:00这一时刻的第二状态特征信息，作为目标应用程序的当前样本后，检测目标应用程序在被关闭时刻之后的预设时间段内是否被启动，例如，预设时间段为被关闭时刻后的五分钟，则检测目标应用程序在8：00-8：05这一时间段内是否被重新启动。将目标应用程序在被关闭时刻之后的预设时间段内是否被使用的监测结果，作为目标应用程序当前样本的样本标记。例如，当监测到目标应用程序在被关闭时刻之后的预设时间段内被使用时，用1表示，并将当前样本标记为1，或者说将1作为当前样本的样本标记；当监测到目标应用程序在被关闭时刻之后的预设时间段内未被使用时，用0表示，并将当前样本标记为0，或者说将0作为当前样本的样本标记。
根据预设采集周期内所采集的样本及对应的样本标记构建目标应用程序对应随机森林预测模型。可以理解的是，将预设采集周期内所采集的样本及对应的样本标记作为训练样本集，基于预设的随机森林算法，对该训练样本集进行训练，生成随机森林预测模型。
在一些实施例中，所述根据所述预设采集周期内所采集的样本及对应的样本标记构建所述目标应用程序对应的随机森林预测模型，可以包括：从所述预设采集周期内所述采集的样本中进行k次样本选取，得到k个样本集，其中，在进行每次样本选取时，从所述预设采集周期内所述采集的样本中随机选取m个样本，得到包含m个样本的当前样本集；针对所述k个样本集中的每个样本集，根据当前样本集中包含的样本及对应的样本标记构建当前样本集对应的决策树预测模型；利用k个决策树预测模型构成所述目标应用程序对应的随机森林预测模型。这样设置的好处在于，可以随机设置随机森林预测模型中包含的决策树预测模型的数量，提高构建决策树预测模型的随机性，进一步提高构建的随机森林预测模型对目标应用程序是否预加载预测的准确性和精度。
在本申请实施例中，从预设采集周期内所采集的样本中进行k次样本选取，并将每次选取的样本作为一个样本集。且在每次样本选取时，从预设采集周期内所采集的样本中随机选取m个样本，组成一个样本集。示例性的，在预设采集周期内所采集的样本共包含500条样本数据，则对这500条样本数据进行7次样本选取，则可以得到7个样本集。在每次样本选取时，从这500条样本数据中随机选取200条样本数据，则随机选取的200条样本数据构成一次样本选取的样本集。
对于k个样本集中每个样本集，根据当前样本集中包含的样本对应的样本标记构建当前样本集对应的决策树预测模型。可以理解的是，将第一次采样获得的第一样本集及第一样本集中包含的样本对应的样本标记作为第一个训练样本集，基于预设的决策树算法对该第一个训练样本集进行训练、学习，生成对应的决策树预测模型，如记为第一决策树预测模型；将第二次采样获得的第二样本集及第二样本集中包含的样本对应的样本标记作为第二个训练样本集，基于预设的决策树算法对该第二个训练样本集进行训练、学习，生成对应的决策树预测模型，如记为第二决策树预测模型，依次类推，共构建k个决策树预测模型。其中，预设的决策树算法可以包括：分类回归树(Classification And Regression Tree，CART)、ID3及C4.5中的任意一个。并且，利用这k个决策树预测模型构成目标应用程序对应的随机森林预测模型。
在一些实施例中，所述根据当前样本集中包含的样本及对应的样本标记构建当前样本集对应的决策树预测模型，可以包括：从所述状态特征信息所包含的特征中随机选取n个状态特征，作为目标特征；对于当前样本集中的每条样本，从对应的第二状态特征信息中选取所述目标特征对应的特征信息值，构成样本特征集；根据所有样本特征集及与每个样本特征集对应的样本标记构建当前样本集对应的决策树预测模型。这样设置的好处在于，从状态特征信息中随机选取若干个状态特征，作为构建随机森林中各个决策树预测模型的样本特征集，在保证随机森林预测模型对目标应用程序是否预加载的预测精度的前提下，可以有效减少随机森林预测模型构建过程中处理的数据量。
在本申请实施例中，对于k个样本集中的每个样本集，从时间信息、日期类别、移动数据网络的开关状态、无线热点的连接状态、所连接的无线热点的身份信息、当前运行的应用程序、上一个前景应用程序、目标应用程序在后台停留的时长、目标应用程序最近一次被切换至后台的时间、耳机插孔的插拔状态、充电状态、电池电量信息、屏幕显示时长、移动终端的运动状态、位置信息、蓝牙连接状态、目标应用程序被关闭前在前台运行时长和最近一次屏幕熄灭时长，这些状态特征中，随机选取n个状态特征，并将这n个状态特征作为当前样本集对应的目标特征。对于当前样本集中的每条样本，从对应的第二状态特征信息中选择目标特征对应的特征信息值，作为当前样本集中的当前样本的样本特征集。示例性的，对于第一次样本选取构成的第一样本集，从上述状态特征中选取无线热点的连接状态、充电状态、电池电量信息、位置信息及蓝牙连接状态，这五个状态特征作为第一样本集对应的目标特征。第一样本集中共包含200条样本，则对于每条样本，将对应的第二状态特征信息中的目标特征对应的特征信息值，作为当前样本对应的样本特征集。例如，对于第一样本集中的第一条样本，无线热点的连接状态对应的特征信息值为0(0表示无线热点处于断开状态，1表示无线热点处于连接状态)、充电状态对应的特征信息值为1(0表示未处于充电状态，1表示处于充电状态)、电池电量信息对应的特征信息值为2(0表示电池电量较低，1表示电池电量中等，2表示电池电量较高)、位置信息对应的特征信息值为0(0表示不在家，1表示在家)及蓝牙连接状态对应的特征信息值为0(0表示蓝牙未处于连接状态，1表示蓝牙处于连接状态)，构成样本特征集。可以理解的是，第一条样本对应的样本特征集为：{无线热点的连接状态，充电状态，电池电量信息，位置信息，蓝牙连接状态}＝{0，1，2，0，0}。同样的，分别获取第一样本集中其他样本对应的样本特征集。并根据样本集中所有样本对应的样本特征集，及每个样本特征集对应的样本标记构建当前样本集对应的决策树预测模型。
其中，在根据样本特征集与每个样本特征集对应的样本标记构建当前样本集对应的决策树预测模型时，从目标特征中依次选取分类信息增益最大的目标特征作为决策树预测模型的分裂特征。在本申请实施例中，对于目标特征中的每个状态特征，基于预设分类信息增益计算方法计算当前状态特征的分类信息增益。即基于预设分类信息增益计算方法，分别计算目标特征信息中每个状态特征的分类信息增益。例如，目标特征中包括7个状态特征，则基于预设分类信息增益计算方法分别计算这7个目标特征的分类信息增益。示例性的，在预设采集周期内所采集的样本中进行k次样本选取，得到的k个样本集中，其中一个样本集为Y，目标状态特征中的某一状态特征为X，则特征X对于样本集Y的分类信息增益为：g(Y,X)＝H(Y)-H(Y|X)。其中，
Figure BDA0001516951650000111
n表示特征X的取值总数，Pi表示样本集Y中特征X＝xi的样本数与样本集Y中包含的样本数的比值；
Figure BDA0001516951650000112
表示样本集Y的经验熵，p1表示正样本数/总样本数；p2表示负样本数/总样本数。其中，总样本数表示样本集Y中包含的样本数量，正样本数表示样本集Y中样本标记为被使用的样本数量，负样本数表示样本集Y中样本标记为不被使用的样本数量。示例性的，无线热点的连接状态包括无线热点处于连接状态和无线热点未处于连接状态两种情况。当无线热点处于连接状态时，用1表示；当无线热点未处于连接状态时，用0表示。所以，当目标特征X表示无线热点的连接状态时，X的取值可以包括0和1。对于X＝1测试为“是”或“否”，可以将样本集Y分为两个子样本集分别为Y1和Y2。即对于无线热点是否处于连接状态，可以将训练样本集Y分为两个子样本集分别为Y1和Y2。可以理解的是，无线热点处于连接状态的子样本集为Y1，而无线热点未处于连接状态的子样本集为Y2。子样本集为Y1对应的概率值可以用P1表示，子样本集为Y2对应的概率值可以用P2表示，其中，
Figure BDA0001516951650000121
即子样本集Y1中包含的样本数与样本集Y中包含的样本数的比值；
Figure BDA0001516951650000122
即子样本集Y2中包含的样本数与样本集Y中包含的样本数的比值。其中，在构建决策树预测模型的过程中，依次选取分类信息增益最大的目标特征作为分裂特征，并根据所有样本特征集及与每个样本特征集对应的样本标记构建当前样本集对应的决策树预测模型。可以理解的是，依次选取分类信息增益最大目标特征作为决策树预测模型中每个分裂结点的分裂特征，从现结点生成两个子结点，将训练样本集Y依次依据目标特征分配到两个子结点中去。依次类推，直到满足决策树预测模型构建的停止条件，其中，停止条件可以包括分类信息增益小于预设阈值，还可以包括直到分裂生成的两个子结点中所有的子样本集属于同一类别。
在一些实施例中，根据随机森林预测模型的输出结果确定是否对目标应用程序进行预加载，可以包括：对于目标应用程序对应的随机森林预测模型中的每个决策树预测模型，获取当前决策树预测模型中与第一状态特征信息相匹配的叶子节点输出的分类结果；对于每个决策树预测模型对应的分类结果进行投票，将得票最多的分类结果作为预测结果；根据预测结果确定是否对目标应用程序进行预加载。这样设置的好处在于，可以根据随机森林预测模型中各个决策树预测模型的投票结果，合理确定是否对目标应用程序进行预加载。
在本申请实施例中，对于目标应用程序对应的随机森林预测模型中的每个决策树预测模型，将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中，即将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中的各个决策树预测模型中，在当前决策树预测模型中，有且仅有一个叶子结点与第一状态特征信息匹配，因此，可以获取当前决策树预测模型中与第一状态特征信息相匹配的叶子节点输出的分类结果。示例性的，分类结果可以包括：“是”和“否”，其中，“是”可以表示对该目标应用程序进行预加载，“否”可以表示不对该目标应用程序进行预加载。对于随机森林中的各个决策树预测模型，均可以得到一个与第一状态特征信息对应相匹配的叶子节点输出的分类结果。
对每个决策树预测模型对应的分类结果进行投票，将得票最多的分类结果作为预测结果。可以理解的是，统计随机森林预测模型中各个决策树预测模型输出的分类结果，如统计分类结果为“是”的个数及分类结果为“否”的个数。若分类结果为“是”的个数大于分类结果为“否”的个数，则将“是”作为随机森林预测模型对该目标应用程序进行预加载的预测结果，即随机森林预测模型对该目标应用程序是否进行预加载的预测结果为：对该目标应用程序进行预加载。若分类结果为“是”的个数小于分类结果为“否”的个数，则将“否”作为随机森林预测模型对该目标应用程序进行预加载的预测结果，即随机森林预测模型对该目标应用程序是否进行预加载的预测结果为：不对该目标应用程序进行预加载。
在一些实施例中，还可以包括：在根据预测结果确定对目标应用程序进行预加载时，获取移动终端中的存储空间信息；当存储空间信息大于预设空间阈值时，对目标应用程序进行预加载。这样设置的好处在于，可以根据移动终端中的存储空间信息，合理确定是否目标应用程序进行预加载，在保证不影响系统资源占用率的前提下，对目标应用程序进行预加载，可以进一步增加应用程序使用时的流畅性，提高用户体验。
在本申请实施例中，当根据随机森林预测模型输出的预测结果确定对目标应用程序进行预加载时，可以进一步获取移动终端中的存储空间信息。其中，移动终端的存储空间信息可以包括当前时刻移动终端剩余存储空间大小，也可以包括当前时刻移动终端的存储空间占用率大小。可以理解的是，存储空间信息反映了当前时刻移动终端中可用的存储空间大小。当存储空间信息大于预设空间阈值时，可以对目标应用程序进行预加载。可以理解的是，在根据随机森林预测模型输出预测结果确定可以对目标应用程序进行预加载，同时移动终端中可用的存储空间充裕时，可以对该目标应用程序进行预加载。
本申请实施例中对预加载的具体过程以及所加载的数据资源不做限定，例如可为目标应用程序分配相应的硬件资源，并基于分配的硬件资源加载启动所需的相关数据。此外加载的数据资源可根据目标应用程序的具体类型来确定。例如，若目标应用程序为一个社交软件，可以预加载该应用程序中的启动画面、联系人列表以及近期的消息记录等；若目标应用程序为一个游戏，可以预加载该应用程序中的游戏背景相关数据等。
在对目标应用进行预加载之后，若用户真正想要使用目标应用程序，那么就会触发启动目标应用程序(如点击目标应用程序对应的应用图标)，此时，由于用于启动的全部资源或部分资源已经进行了预加载，那么目标应用程序的启动速度就会明显得到提升，减少用户的等待时间，使得当用户使用所述目标应用程序时，提高使用效率及使用时的流畅性。
图2为本申请实施例提供的另一种应用程序预测模型建立方法的流程示意图，该方法包括：
步骤201、在预设采集周期内获取移动终端在目标应用程序被关闭时刻的第二状态特征信息，作为目标应用程序的当前样本。
步骤202、监测目标应用程序在被关闭时刻之后的预设时间段内是否启动，并将监测结果记为当前样本的样本标记。
步骤203、根据预设采集周期内所采集的样本及对应的样本标记构建目标应用程序对应的随机森林预测模型。
步骤204、检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息。
步骤205、将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中。
其中，随机森林预测模型基于移动终端在对应历史状态特征信息时的目标应用程序使用规律生成。
步骤206、根据随机森林预测模型的输出结果确定是否对目标应用程序进行预加载。
需要说明的是，构建目标应用程序对应的随机森林预测模型时，可以是移动终端获取对应的样本及样本标记，对此进行训练生成对应的随机森林预测模型，还可以是服务器获取对应的样本及样本标记，对此进行训练生成对应的随机森林预测模型，当移动终端需要将第一状态特征输入至目标应用程序对应的随机森林预测模型中时，可以直接从服务器中调用相应的随机森林预测模型。
本申请实施例提供的应用程序预加载方法，能够充分利用移动终端在对应历史状态特征信息时目标应用程序的使用规律，生成随机森林预测模型，可以进一步优化应用程序预加载机制，提高对目标应用程序是否进行预加载判断的准确性。
图3为本申请实施例提供的另一种应用程序预测模型建立方法的流程示意图，该方法包括：
步骤301、在预设采集周期内获取移动终端在目标应用程序被关闭时刻的第二状态特征信息，作为目标应用程序的当前样本。
步骤302、监测目标应用程序在被关闭时刻之后的预设时间段内是否启动，并将监测结果记为当前样本的样本标记。
步骤303、从预设采集周期内采集的样本中进行k次样本选取，得到k个样本集。
其中，在进行每次样本选取时，从预设采集周期内采集的样本中随机选取m个样本，得到包含m个样本的当前样本集。
步骤304、针对k个样本集中的每个样本集，从状态特征信息所包含的特征中随机选取n个状态特征，作为目标特征。
步骤305、对于当前样本集中的每条样本，从对应的第二状态特征信息中选取目标特征对应的特征信息值，构成样本特征集。
步骤306、根据所有样本特征集及与每个样本特征集对应的样本标记构建当前样本集对应的决策树预测模型。
步骤307、利用k个决策树预测模型构成目标应用程序对应的随机森林预测模型。
步骤308、检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息。
步骤309、将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中。
其中，随机森林预测模型基于移动终端在对应历史状态特征信息时的目标应用程序使用规律生成。
步骤310、根据随机森林预测模型的输出结果确定是否对目标应用程序进行预加载。
本申请实施例提供的应用程序预加载方法，可以随机设置随机森林预测模型中包含的决策树预测模型的数量，提高构建决策树预测模型的随机性，进一步提高构建的随机森林预测模型对目标应用程序是否预加载预测的准确性和精度。并且从状态特征信息中随机选取若干个状态特征，作为构建随机森林中各个决策树预测模型的样本特征集，在保证随机森林预测模型对目标应用程序是否预加载的预测精度的前提下，可以有效减少随机森林预测模型构建过程中处理的数据量。
图4为本申请实施例提供的另一种应用程序预测模型建立方法的流程示意图，该方法包括：
步骤401、在预设采集周期内获取移动终端在目标应用程序被关闭时刻的第二状态特征信息，作为目标应用程序的当前样本。
步骤402、监测目标应用程序在被关闭时刻之后的预设时间段内是否启动，并将监测结果记为当前样本的样本标记。
步骤403、根据预设采集周期内所采集的样本及对应的样本标记构建目标应用程序对应的随机森林预测模型。
步骤404、检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息。
步骤405、将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中。
其中，随机森林预测模型基于移动终端在对应历史状态特征信息时的目标应用程序使用规律生成。
步骤406、对于目标应用程序对应的随机森林预测模型中的每个决策树预测模型，获取当前决策树预测模型中与第一状态特征信息相匹配的叶子节点输出的分类结果。
步骤407、对于每个决策树预测模型对应的分类结果进行投票，将得票最多的分类结果作为预测结果。
步骤408、根据预测结果确定是否对目标应用程序进行预加载。
其中，在根据预测结果确定对目标应用程序进行预加载时，获取移动终端中的存储空间信息；当存储空间信息大于预设空间阈值时，对目标应用程序进行预加载。
本申请实施例提供的应用程序预加载方法，可以根据随机森林预测模型中各个决策树预测模型的投票结果，合理确定是否对目标应用程序进行预加载。
图5为本申请实施例提供的一种应用程序预加载装置的结构示意图，该装置可由软件和/或硬件实现，一般集成在终端中，可通过执行应用程序预加载方法来对待启动的应用程序进行预加载。如图5所示，该装置包括：
第一状态获取模块501，用于检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息；
特征信息输入模块502，用于将所述第一状态特征信息输入至所述目标应用程序对应的随机森林预测模型中，其中，所述随机森林预测模型基于所述移动终端在对应历史状态特征信息时的所述目标应用程序使用规律生成；
预加载判断模块503，用于根据所述随机森林预测模型的输出结果确定是否对所述目标应用程序进行预加载。
本申请实施例提供的应用程序预加载装置，当检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息，并将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中，其中，随机森林预测模型基于移动终端在对应历史状态特征信息时的目标应用程序使用规律生成，最后根据随机森林预测模型的输出结果确定是否对目标应用程序进行预加载，不仅解决了应用程序预加载太多资源，占用太多资源及功耗变大，甚至影响终端使用流畅性的技术问题，而且可以有效提高是否对目标应用程序进行预加载判断的准确性，进一步降低了终端系统功耗和内存占用率，优化了应用程序预加载机制。
可选的，该装置还包括：
样本获取模块，用于在检测到目标应用程序被关闭之前，在预设采集周期内获取所述移动终端在目标应用程序被关闭时刻的第二状态特征信息，作为所述目标应用程序的当前样本，监测所述目标应用程序在被关闭时刻之后的预设时间段内是否启动，并将监测结果记为当前样本的样本标记；
预测模型构建模块，用于根据所述预设采集周期内所采集的样本及对应的样本标记构建所述目标应用程序对应的随机森林预测模型。
可选的，所述预测模型构建模块，包括：
样本选取单元，用于从所述预设采集周期内所述采集的样本中进行k次样本选取，得到k个样本集，其中，在进行每次样本选取时，从所述预设采集周期内所述采集的样本中随机选取m个样本，得到包含m个样本的当前样本集；
第一预测模型构建单元，用于针对所述k个样本集中的每个样本集，根据当前样本集中包含的样本及对应的样本标记构建当前样本集对应的决策树预测模型；
第二预测模型构建单元，用于利用k个决策树预测模型构成所述目标应用程序对应的随机森林预测模型。
可选的，所述第一预测模型构建单元，用于：
从所述状态特征信息所包含的特征中随机选取n个状态特征，作为目标特征；
对于当前样本集中的每条样本，从对应的第二状态特征信息中选取所述目标特征对应的特征信息值，构成样本特征集；
根据所有样本特征集及与每个样本特征集对应的样本标记构建当前样本集对应的决策树预测模型。
可选的，所述预加载判断模块，用于：
对于所述目标应用程序对应的随机森林预测模型中的每个决策树预测模型，获取当前决策树预测模型中与所述第一状态特征信息相匹配的叶子节点输出的分类结果；
对于每个决策树预测模型对应的分类结果进行投票，将得票最多的分类结果作为预测结果；
根据所述预测结果确定是否对所述目标应用程序进行预加载。
可选的，该装置还包括：
存储空间获取模块，用于在根据所述预测结果确定对所述目标应用程序进行预加载时，获取所述移动终端中的存储空间信息；
应用预加载模块，用于当所述存储空间信息大于预设空间阈值时，对所述目标应用程序进行预加载。
可选的，所述状态特征信息包括以下至少一项：
时间信息、日期类别、移动数据网络的开关状态、无线热点的连接状态、所连接的无线热点的身份信息、当前运行的应用程序、上一个前景应用程序、目标应用程序在后台停留的时长、目标应用程序最近一次被切换至后台的时间、耳机插孔的插拔状态、充电状态、电池电量信息、屏幕显示时长、移动终端的运动状态、位置信息、蓝牙连接状态、目标应用程序被关闭前在前台运行时长和最近一次屏幕熄灭时长。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行应用程序预加载方法，该方法包括：
检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息；
将所述第一状态特征信息输入至所述目标应用程序对应的随机森林预测模型中，其中，所述随机森林预测模型基于所述移动终端在对应历史状态特征信息时的所述目标应用程序使用规律生成；
根据所述随机森林预测模型的输出结果确定是否对所述目标应用程序进行预加载。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的应用程序预加载操作，还可以执行本申请任意实施例所提供的应用程序预加载方法中的相关操作。
本申请实施例提供了一种移动终端，该移动终端中可集成本申请实施例提供的应用程序预加载装置。图6为本申请实施例提供的一种移动终端的结构示意图。移动终端600可以包括：存储器601，定位模块602，处理器603及存储在存储器上并可在处理器运行的计算机程序，所述处理器603执行所述计算机程序时实现如本申请实施例所述的应用程序预加载方法。
本申请实施例提供的移动终端，当检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息，并将第一状态特征信息输入至目标应用程序对应的随机森林预测模型中，其中，随机森林预测模型基于移动终端在对应历史状态特征信息时的目标应用程序使用规律生成，最后根据随机森林预测模型的输出结果确定是否对目标应用程序进行预加载，不仅解决了应用程序预加载太多资源，占用太多资源及功耗变大，甚至影响终端使用流畅性的技术问题，而且可以有效提高是否对目标应用程序进行预加载判断的准确性，进一步降低了终端系统功耗和内存占用率，优化了应用程序预加载机制。
图7为本申请实施例提供的另一种移动终端的结构示意图，该移动终端可以包括：壳体(图中未示出)、存储器701、中央处理器(central processing unit，CPU)702(又称处理器，以下简称CPU)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述CPU702和所述存储器701设置在所述电路板上；所述电源电路，用于为所述移动终端的各个电路或器件供电；所述存储器701，用于存储可执行程序代码；所述CPU702通过读取所述存储器701中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：
检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息；
将所述第一状态特征信息输入至所述目标应用程序对应的随机森林预测模型中，其中，所述随机森林预测模型基于所述移动终端在对应历史状态特征信息时的所述目标应用程序使用规律生成；
根据所述随机森林预测模型的输出结果确定是否对所述目标应用程序进行预加载。
所述移动终端还包括：外设接口703、RF(Radio Frequency，射频)电路705、音频电路706、扬声器711、电源管理芯片708、输入/输出(I/O)子系统709、其他输入/控制设备710、触摸屏712、其他输入/控制设备710以及外部端口704，这些部件通过一个或多个通信总线或信号线707来通信。
应该理解的是，图示移动终端700仅仅是移动终端的一个范例，并且移动终端700可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于应用程序预加载的移动终端进行详细的描述，该移动终端以手机为例。
存储器701，所述存储器701可以被CPU702、外设接口703等访问，所述存储器701可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口703，所述外设接口703可以将设备的输入和输出外设连接到CPU702和存储器701。
I/O子系统709，所述I/O子系统709可以将设备上的输入输出外设，例如触摸屏712和其他输入/控制设备710，连接到外设接口703。I/O子系统709可以包括显示控制器7091和用于控制其他输入/控制设备710的一个或多个输入控制器7092。其中，一个或多个输入控制器7092从其他输入/控制设备710接收电信号或者向其他输入/控制设备710发送电信号，其他输入/控制设备710可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器7092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏712，所述触摸屏712是用户移动终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。
I/O子系统709中的显示控制器7091从触摸屏712接收电信号或者向触摸屏712发送电信号。触摸屏712检测触摸屏上的接触，显示控制器7091将检测到的接触转换为与显示在触摸屏712上的用户界面对象的交互，即实现人机交互，显示在触摸屏712上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。
RF电路705，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路705接收并发送RF信号，RF信号也称为电磁信号，RF电路705将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路705可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。
音频电路706，主要用于从外设接口703接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器711。
扬声器711，用于将手机通过RF电路705从无线网络接收的语音信号，还原为声音并向用户播放该声音。
电源管理芯片708，用于为CPU702、I/O子系统及外设接口所连接的硬件进行供电及电源管理。
上述实施例中提供的应用程序预加载装置、存储介质及移动终端可执行本申请任意实施例所提供的应用程序预加载方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的应用程序预加载方法。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (9)

1.一种应用程序预加载方法，其特征在于，包括：
检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息，所述目标应用程序为当前被关闭的应用程序；
将所述第一状态特征信息输入至所述目标应用程序对应的随机森林预测模型中，其中，所述随机森林预测模型基于所述移动终端在对应历史状态特征信息时的所述目标应用程序使用规律生成；
根据所述随机森林预测模型的输出结果确定是否对所述目标应用程序进行预加载，包括：
所述随机森林预测模型分别给出对所述目标应用程序进行预加载的第一概率值和不对目标应用程序进行预加载的第二概率值，当第一概率值大于第二概率值时，对所述目标应用程序进行预加载；当第一概率值小于第二概率值时，则不对所述目标应用程序进行预加载；当第一概率值和第二概率值大小相等时，根据用户选择确定是否对目标应用程序进行预加载，其中，第一概率值和第二概率值的和为1；其中，在检测到目标应用程序被关闭之前，还包括：
在预设采集周期内获取所述移动终端在目标应用程序被关闭时刻的第二状态特征信息，作为所述目标应用程序的当前样本，监测所述目标应用程序在被关闭时刻之后的预设时间段内是否启动，并将监测结果记为当前样本的样本标记；
根据所述预设采集周期内所采集的样本及对应的样本标记构建所述目标应用程序对应的随机森林预测模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述预设采集周期内所采集的样本及对应的样本标记构建所述目标应用程序对应的随机森林预测模型，包括：
从所述预设采集周期内所述采集的样本中进行k次样本选取，得到k个样本集，其中，在进行每次样本选取时，从所述预设采集周期内所述采集的样本中随机选取m个样本，得到包含m个样本的当前样本集；
针对所述k个样本集中的每个样本集，根据当前样本集中包含的样本及对应的样本标记构建当前样本集对应的决策树预测模型；
利用k个决策树预测模型构成所述目标应用程序对应的随机森林预测模型。
3.根据权利要求2所述方法，其特征在于，所述根据当前样本集中包含的样本及对应的样本标记构建当前样本集对应的决策树预测模型，包括：
从所述状态特征信息所包含的特征中随机选取n个状态特征，作为目标特征；
对于当前样本集中的每条样本，从对应的第二状态特征信息中选取所述目标特征对应的特征信息值，构成样本特征集；
根据所有样本特征集及与每个样本特征集对应的样本标记构建当前样本集对应的决策树预测模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述随机森林预测模型的输出结果确定是否对所述目标应用程序进行预加载，包括：
对于所述目标应用程序对应的随机森林预测模型中的每个决策树预测模型，获取当前决策树预测模型中与所述第一状态特征信息相匹配的叶子节点输出的分类结果；
对于每个决策树预测模型对应的分类结果进行投票，将得票最多的分类结果作为预测结果；
根据所述预测结果确定是否对所述目标应用程序进行预加载。
5.根据权利要求4所述的方法，其特征在于，还包括：
在根据所述预测结果确定对所述目标应用程序进行预加载时，获取所述移动终端中的存储空间信息；
当所述存储空间信息大于预设空间阈值时，对所述目标应用程序进行预加载。
6.根据权利要求1-5任一所述的方法，其特征在于，所述状态特征信息包括以下至少一项：
时间信息、日期类别、移动数据网络的开关状态、无线热点的连接状态、所连接的无线热点的身份信息、当前运行的应用程序、上一个前景应用程序、目标应用程序在后台停留的时长、目标应用程序最近一次被切换至后台的时间、耳机插孔的插拔状态、充电状态、电池电量信息、屏幕显示时长、移动终端的运动状态、位置信息、蓝牙连接状态、目标应用程序被关闭前在前台运行时长和最近一次屏幕熄灭时长。
7.一种应用程序预加载装置，其特征在于，包括：
样本获取模块，用于在检测到目标应用程序被关闭之前，在预设采集周期内获取移动终端在目标应用程序被关闭时刻的第二状态特征信息，作为所述目标应用程序的当前样本，监测所述目标应用程序在被关闭时刻之后的预设时间段内是否启动，并将监测结果记为当前样本的样本标记；
预测模型构建模块，用于根据所述预设采集周期内所采集的样本及对应的样本标记构建所述目标应用程序对应的随机森林预测模型；
第一状态获取模块，用于检测到目标应用程序被关闭时，获取移动终端当前的第一状态特征信息，所述目标应用程序为当前被关闭的应用程序；
特征信息输入模块，用于将所述第一状态特征信息输入至所述目标应用程序对应的随机森林预测模型中，其中，所述随机森林预测模型基于所述移动终端在对应历史状态特征信息时的所述目标应用程序使用规律生成；
预加载判断模块，用于根据所述随机森林预测模型的输出结果确定是否对所述目标应用程序进行预加载，包括：
所述随机森林预测模型分别给出对所述目标应用程序进行预加载的第一概率值和不对目标应用程序进行预加载的第二概率值，当第一概率值大于第二概率值时，对所述目标应用程序进行预加载；当第一概率值小于第二概率值时，则不对所述目标应用程序进行预加载；当第一概率值和第二概率值大小相等时，根据用户选择确定是否对目标应用程序进行预加载，其中，第一概率值和第二概率值的和为1。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的应用程序预加载方法。
9.一种移动终端，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6任一所述的应用程序预加载方法。
CN201711387747.7A 2017-12-20 2017-12-20 应用程序预加载方法、装置、存储介质及移动终端 Active CN109947497B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201711387747.7A CN109947497B (zh) 2017-12-20 2017-12-20 应用程序预加载方法、装置、存储介质及移动终端
PCT/CN2018/112263 WO2019119969A1 (en) 2017-12-20 2018-10-27 Method for preloading application and terminal device
US16/173,564 US10908920B2 (en) 2017-12-20 2018-10-29 Method for preloading application, computer readable storage medium, and terminal device
EP18204234.1A EP3502878B1 (en) 2017-12-20 2018-11-05 Method for preloading application and terminal device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711387747.7A CN109947497B (zh) 2017-12-20 2017-12-20 应用程序预加载方法、装置、存储介质及移动终端

Publications (2)

Publication Number Publication Date
CN109947497A CN109947497A (zh) 2019-06-28
CN109947497B true CN109947497B (zh) 2021-06-08

Family

ID=64308485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711387747.7A Active CN109947497B (zh) 2017-12-20 2017-12-20 应用程序预加载方法、装置、存储介质及移动终端

Country Status (4)

Country Link
US (1) US10908920B2 (zh)
EP (1) EP3502878B1 (zh)
CN (1) CN109947497B (zh)
WO (1) WO2019119969A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947497B (zh) * 2017-12-20 2021-06-08 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
CN109960539A (zh) * 2017-12-21 2019-07-02 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
CN109165249B (zh) * 2018-08-07 2020-08-04 阿里巴巴集团控股有限公司 数据处理模型构建方法、装置、服务器和用户端
US11934931B2 (en) * 2018-12-17 2024-03-19 Shape Security, Inc. Decision tree training using a database system
US10536857B1 (en) * 2019-06-24 2020-01-14 Bank Of America Corporation Systems and methods for pre-authenticating a user on a mobile device
CN110390400B (zh) * 2019-07-02 2023-07-14 北京三快在线科技有限公司 计算模型的特征生成方法、装置、电子设备和存储介质
CN110569176A (zh) * 2019-09-17 2019-12-13 北京字节跳动网络技术有限公司 应用预测模型的训练方法及装置、应用控制方法及装置
CN110889064B (zh) * 2019-12-05 2023-01-31 北京百度网讯科技有限公司 一种页面显示方法、装置、设备及存储介质
CN114185622B (zh) * 2021-12-17 2023-11-24 中国平安财产保险股份有限公司 页面加载方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236541A (zh) * 2010-04-22 2011-11-09 Arm有限公司 预加载指令控制
CN103369508A (zh) * 2013-06-25 2013-10-23 华为技术有限公司 数据加载方法和终端设备
CN106649122A (zh) * 2016-12-28 2017-05-10 Tcl集团股份有限公司 一种终端应用的模型构建方法及装置

Family Cites Families (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7346855B2 (en) * 2001-12-21 2008-03-18 Microsoft Corporation Method and system for switching between multiple computer applications
US7076616B2 (en) * 2003-03-24 2006-07-11 Sony Corporation Application pre-launch to reduce user interface latency
US8522249B2 (en) * 2007-06-27 2013-08-27 Bluestreak Technology, Inc. Management of software implemented services in processor-based devices
US8296555B2 (en) * 2008-09-18 2012-10-23 Marvell World Trade Ltd. Preloader
US20140018034A1 (en) * 2009-03-09 2014-01-16 Arbitron Mobile Oy Apparatus, System and Method for Modifiable Observational Logic for Mobile Terminal Data Analysis and Distribution
KR20120072120A (ko) * 2010-12-23 2012-07-03 한국전자통신연구원 악성 파일 진단 장치 및 방법, 악성 파일 감시 장치 및 방법
CN102073504A (zh) 2011-01-21 2011-05-25 深圳创维数字技术股份有限公司 一种多场景操作方法、系统及智能设备
US20120324481A1 (en) * 2011-06-16 2012-12-20 Samsung Electronics Co. Ltd. Adaptive termination and pre-launching policy for improving application startup time
US8176437B1 (en) * 2011-07-18 2012-05-08 Google Inc. Responsiveness for application launch
US9395882B2 (en) * 2011-08-24 2016-07-19 Salesforce.Com, Inc. Systems and methods for promoting related lists
US9189252B2 (en) * 2011-12-30 2015-11-17 Microsoft Technology Licensing, Llc Context-based device action prediction
US9286568B2 (en) * 2013-05-03 2016-03-15 Asurion, Llc Battery drain analysis and prediction for wireless devices
US20140334304A1 (en) * 2013-05-13 2014-11-13 Hui Zang Content classification of internet traffic
US9508040B2 (en) * 2013-06-12 2016-11-29 Microsoft Technology Licensing, Llc Predictive pre-launch for applications
US9565233B1 (en) * 2013-08-09 2017-02-07 Google Inc. Preloading content for requesting applications
KR20150024246A (ko) * 2013-08-26 2015-03-06 삼성전자주식회사 전자 장치에서 쿼지 사용자 인터페이스를 운용하기 위한 방법 및 시스템
US9871741B2 (en) * 2014-03-10 2018-01-16 Microsoft Technology Licensing, Llc Resource management based on device-specific or user-specific resource usage profiles
KR102262102B1 (ko) * 2014-04-09 2021-06-09 삼성전자 주식회사 애플리케이션 실행 방법 및 장치
CN105022642A (zh) * 2014-04-17 2015-11-04 中兴通讯股份有限公司 一种移动终端及加载内容的处理方法
US9665296B2 (en) * 2014-05-07 2017-05-30 Sandisk Technologies Llc Method and computing device for using both volatile memory and non-volatile swap memory to pre-load a plurality of applications
US11095743B2 (en) * 2014-07-16 2021-08-17 Tensera Networks Ltd. Optimized content-delivery network (CDN) for the wireless last mile
US20160224664A1 (en) * 2015-02-02 2016-08-04 Aura Network, Inc. Free association engine to generate and operate on dynamic views of stored entities and associations derived from records of user encounters with physical objects and other input data sources
US9665460B2 (en) * 2015-05-26 2017-05-30 Microsoft Technology Licensing, Llc Detection of abnormal resource usage in a data center
US9983887B2 (en) * 2015-06-05 2018-05-29 Apple Inc. Memory management of data processing systems
CN104951340B (zh) * 2015-06-12 2018-07-06 联想(北京)有限公司 一种信息处理方法及装置
CN104991820B (zh) * 2015-06-12 2018-06-08 北京创鑫旅程网络技术有限公司 一种移动终端应用快速切换的方法及移动终端
US9693355B2 (en) * 2015-07-21 2017-06-27 Verizon Patent And Licensing Inc. Methods and systems for profiling network resource usage by a mobile application
US20170061482A1 (en) * 2015-08-24 2017-03-02 TCL Research America Inc. Focal-point based recommendation method and system
KR102401772B1 (ko) * 2015-10-02 2022-05-25 삼성전자주식회사 전자 장치에서 어플리케이션 실행 장치 및 방법
CN105468823B (zh) * 2015-11-16 2019-01-25 广州广电运通金融电子股份有限公司 一种自助设备节能控制方法和装置
US10438132B2 (en) * 2015-12-16 2019-10-08 Accenture Global Solutions Limited Machine for development and deployment of analytical models
KR20170077714A (ko) * 2015-12-28 2017-07-06 삼성전자주식회사 어플리케이션 실행 방법 및 이를 지원하는 전자 장치
CN105677477B (zh) 2015-12-30 2019-10-15 北京金山安全软件有限公司 一种优化应用程序资源的方法、装置及电子设备
CN105893132B (zh) * 2016-03-31 2020-07-24 联想(北京)有限公司 一种控制方法及电子设备
CN105939416A (zh) * 2016-05-30 2016-09-14 努比亚技术有限公司 移动终端及其应用预启动方法
CN106095592B (zh) 2016-05-31 2021-08-24 Oppo广东移动通信有限公司 一种前景应用程序场景同步方法及装置、系统
KR102608997B1 (ko) * 2016-08-01 2023-12-06 삼성전자주식회사 화면 제어 방법 및 이를 지원하는 전자 장치
EP3516516B1 (en) * 2016-09-21 2022-05-11 Accenture Global Solutions Limited Dynamic resource allocation for application containers
CN106406966B (zh) * 2016-10-31 2020-04-07 维沃移动通信有限公司 一种应用程序的预加载方法及移动终端
US10409367B2 (en) * 2016-12-21 2019-09-10 Ca, Inc. Predictive graph selection
US10375098B2 (en) * 2017-01-31 2019-08-06 Splunk Inc. Anomaly detection based on relationships between multiple time series
US10360517B2 (en) * 2017-02-22 2019-07-23 Sas Institute Inc. Distributed hyperparameter tuning system for machine learning
US10348768B2 (en) * 2017-03-09 2019-07-09 International Business Machines Corporation Deriving optimal actions from a random forest model
CN107122201B (zh) 2017-03-10 2019-12-06 腾讯科技（深圳）有限公司 资源加载、资源文件的生成方法及装置
CN107861816B (zh) 2017-10-31 2022-10-28 Oppo广东移动通信有限公司 资源配置方法及装置
CN109766138A (zh) * 2017-11-08 2019-05-17 广东欧珀移动通信有限公司 应用程序预测模型建立、预加载方法、装置、介质及终端
CN109947495A (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
CN109947497B (zh) * 2017-12-20 2021-06-08 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
CN108595228B (zh) * 2018-05-10 2021-03-12 Oppo广东移动通信有限公司 应用程序预测模型建立方法、装置、存储介质及移动终端
CN108595227A (zh) * 2018-05-10 2018-09-28 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
CN108710513B (zh) * 2018-05-15 2020-07-21 Oppo广东移动通信有限公司 应用程序启动方法、装置、存储介质及终端

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236541A (zh) * 2010-04-22 2011-11-09 Arm有限公司 预加载指令控制
CN103369508A (zh) * 2013-06-25 2013-10-23 华为技术有限公司 数据加载方法和终端设备
CN106649122A (zh) * 2016-12-28 2017-05-10 Tcl集团股份有限公司 一种终端应用的模型构建方法及装置

Also Published As

Publication number Publication date
EP3502878B1 (en) 2021-08-11
WO2019119969A1 (en) 2019-06-27
US10908920B2 (en) 2021-02-02
US20190188000A1 (en) 2019-06-20
CN109947497A (zh) 2019-06-28
EP3502878A1 (en) 2019-06-26

Similar Documents

Publication Publication Date Title
CN109947497B (zh) 应用程序预加载方法、装置、存储介质及移动终端
CN109947496B (zh) 应用程序预加载方法、装置、存储介质及移动终端
CN109947498B (zh) 应用程序预加载方法、装置、存储介质及移动终端
CN107783801B (zh) 应用程序预测模型建立、预加载方法、装置、介质及终端
CN108363593B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108595228B (zh) 应用程序预测模型建立方法、装置、存储介质及移动终端
US10891142B2 (en) Method and device for preloading application, storage medium, and terminal device
EP3502879B1 (en) Method for preloading application, storage medium, and terminal device
US20190370603A1 (en) Method and apparatus for establishing an application prediction model, storage medium and terminal
CN107943650B (zh) 应用程序的控制方法、装置、存储介质及终端
CN108829457B (zh) 应用程序预测模型更新方法、装置、存储介质及终端
CN107896243B (zh) 网络数据加载的加速方法、装置、存储介质及移动终端
CN108958828B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108076507B (zh) 定位方式控制方法、装置、存储介质及移动终端
CN109033247B (zh) 一种应用程序的管理方法、装置、存储介质及终端
CN109240991B (zh) 文件推荐方法、装置、存储介质及智能终端
CN108762844B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108921530B (zh) 信息判断方法、装置、存储介质及终端
CN107832131B (zh) 应用程序关闭方法、装置、存储介质和电子设备
CN108829863B (zh) 信息预测方法、装置、存储介质及终端

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40008731

Country of ref document: HK

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.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant