一种表单页面打开时长预测方法、装置、设备及存储介质

技术领域

本发明属于信息处理技术领域，具体涉及一种表单页面打开时长预测方法、装置、设备及存储介质。

背景技术

表单是用于存储数据的数字化介质，其包含有多种组件，用户可以根据自己的需求，设计并生成想要的表单。在现代企业信息系统中，表单广泛用于数据的输入和管理。随着业务的复杂化，表单页面的打开时长成为了提升用户体验和表单填写效率的关键因素。

目前，现有的表单页面打开方案，通常是采用静态方式去优化界面渲染或者减少网络传输，即侧重于优化表单页面加载的硬性条件，而缺乏对表单打开时长进行预估并进行动态指示的技术手段，如此在用户等待表单页面打开过程中，容易因不能获得准确的预期而导致可能影响用户体验的问题。

发明内容

本发明的目的是提供一种表单页面打开时长预测方法、装置、计算机设备及计算机可读存储介质，用以解决现有表单页面打开方案容易因不能给予用户一个在表单打开时长维度上的准确预期，而导致可能影响用户体验的问题。

为了实现上述目的，本发明采用以下技术方案：

第一方面，提供了一种表单页面打开时长预测方法，包括：

获取多个表单页面打开事件的历史记录数据，其中，所述历史记录数据包含有在所述表单页面打开事件中涉事表单的多个表单特征参数和表单页面打开时长，所述涉事表单是指在所述表单页面打开事件中被打开的表单；

将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数作为输入项，以及将所述每个表单页面打开事件的表单页面打开时长作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到表单页面打开时长预测模型；

获取当前待打开表单的所述多个表单特征参数；

将所述当前待打开表单的所述多个表单特征参数输入所述表单页面打开时长预测模型，输出得到所述当前待打开表单的表单页面打开预测时长；

在所述当前待打开表单的表单页面打开过程中，根据所述表单页面打开预测时长，以倒计时形式动态指示用户等待时长。

基于上述发明内容，提供了一种基于历史记录数据和机器学习算法对表单页面打开时长进行准确预测并指示的新方案，即在获取多个表单页面打开事件的历史记录数据后，先将每个事件的多个表单特征参数作为输入项，以及将每个事件的表单页面打开时长作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到表单页面打开时长预测模型，然后将当前待打开表单的所述多个表单特征参数输入该预测模型，输出得到所述当前待打开表单的表单页面打开预测时长，最后在表单页面打开过程中，根据所述表单页面打开预测时长，以倒计时形式动态指示用户等待时长，如此可以在用户等待表单页面打开过程中，给予用户一个在表单打开时长维度上的准确预期，以便更好地管理用户期望，提升用户体验，便于实际应用和推广。

在一个可能的设计中，所述多个表单特征参数包含有表单页面布局复杂度、表单页面控件数量、表单页面控件类型和/或表单页面背景数据量。

在一个可能的设计中，所述机器学习算法采用基于Python sklearn库的线性回归算法。

在一个可能的设计中，所述历史记录数据还包含有在所述表单页面打开事件中涉事设备的多个设备特征参数，其中，所述涉事设备是指用于加载展示所述涉事表单的表单页面的电子设备；

将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数作为输入项，包括：将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数和所述多个设备特征参数作为输入项；

获取当前待打开表单的所述多个表单特征参数，包括：获取当前待打开表单的所述多个表单特征参数和当前设备的所述多个设备特征参数，其中，所述当前设备是指用于加载展示所述当前待打开表单的表单页面的电子设备；

将所述当前待打开表单的所述多个表单特征参数输入所述表单页面打开时长预测模型，包括：将所述当前待打开表单的所述多个表单特征参数和所述当前设备的所述多个设备特征参数输入所述表单页面打开时长预测模型。

在一个可能的设计中，所述多个设备特征参数包含有传输网速、CPU使用率、CPU温度、可用物理内存大小、剩余物理内存大小、句柄数、线程数和/或进程数。

在一个可能的设计中，在根据所述表单页面打开预测时长，以倒计时形式动态指示用户等待时长之后，所述方法还包括：

在所述当前待打开表单的表单页面打开过程中，若所述当前设备的所述多个设备特征参数有更新，则将所述当前待打开表单的所述多个表单特征参数和所述当前设备的且新的所述多个设备特征参数输入所述表单页面打开时长预测模型，输出得到所述当前待打开表单的表单页面打开预测新时长；

根据所述表单页面打开预测新时长与已倒计时长的时长差值，重新以倒计时形式动态指示用户等待时长。

在一个可能的设计中，在所述人工智能模型的率定验证建模过程中，采用基于树结构的贝叶斯优化算法对模型参数进行调优。

第二方面，提供了一种表单页面打开时长预测装置，包括有记录数据获取模块、预测模型训练模块、特征参数获取模块、预测模型应用模块和预测结果指示模块；

所述记录数据获取模块，用于获取多个表单页面打开事件的历史记录数据，其中，所述历史记录数据包含有在所述表单页面打开事件中涉事表单的多个表单特征参数和表单页面打开时长，所述涉事表单是指在所述表单页面打开事件中被打开的表单；

所述预测模型训练模块，通信连接所述记录数据获取模块，用于将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数作为输入项，以及将所述每个表单页面打开事件的表单页面打开时长作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到表单页面打开时长预测模型；

所述特征参数获取模块，用于获取当前待打开表单的所述多个表单特征参数；

所述预测模型应用模块，分别通信连接所述预测模型训练模块和所述特征参数获取模块，用于将所述当前待打开表单的所述多个表单特征参数输入所述表单页面打开时长预测模型，输出得到所述当前待打开表单的表单页面打开预测时长；

所述预测结果指示模块，通信连接所述预测模型应用模块，用于在所述当前待打开表单的表单页面打开过程中，根据所述表单页面打开预测时长，以倒计时形式动态指示用户等待时长。

在一个可能的设计中，所述历史记录数据还包含有在所述表单页面打开事件中涉事设备的多个设备特征参数，其中，所述涉事设备是指用于加载展示所述涉事表单的表单页面的电子设备；

将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数作为输入项，包括：将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数和所述多个设备特征参数作为输入项；

获取当前待打开表单的所述多个表单特征参数，包括：获取当前待打开表单的所述多个表单特征参数和当前设备的所述多个设备特征参数，其中，所述当前设备是指用于加载展示所述当前待打开表单的表单页面的电子设备；

将所述当前待打开表单的所述多个表单特征参数输入所述表单页面打开时长预测模型，包括：将所述当前待打开表单的所述多个表单特征参数和所述当前设备的所述多个设备特征参数输入所述表单页面打开时长预测模型。

在一个可能的设计中，所述预测模型应用模块，还用于在所述当前待打开表单的表单页面打开过程中，若所述当前设备的所述多个设备特征参数有更新，则将所述当前待打开表单的所述多个表单特征参数和所述当前设备的且新的所述多个设备特征参数输入所述表单页面打开时长预测模型，输出得到所述当前待打开表单的表单页面打开预测新时长；

所述预测结果指示模块，还用于根据所述表单页面打开预测新时长与已倒计时长的时长差值，重新以倒计时形式动态指示用户等待时长。

第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的表单页面打开时长预测方法。

第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的表单页面打开时长预测方法。

第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的表单页面打开时长预测方法。

上述方案的有益效果：

(1)本发明创造性提供了一种基于历史记录数据和机器学习算法对表单页面打开时长进行准确预测并指示的新方案，即在获取多个表单页面打开事件的历史记录数据后，先将每个事件的多个表单特征参数作为输入项，以及将每个事件的表单页面打开时长作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到表单页面打开时长预测模型，然后将当前待打开表单的所述多个表单特征参数输入该预测模型，输出得到所述当前待打开表单的表单页面打开预测时长，最后在表单页面打开过程中，根据所述表单页面打开预测时长，以倒计时形式动态指示用户等待时长，如此可以在用户等待表单页面打开过程中，给予用户一个在表单打开时长维度上的准确预期，以便更好地管理用户期望，提升用户体验；

(2)通过将表单特征参数和设备特征参数结合在一起进行模型训练及应用，可以提高模型预测结果的准确性，进一步提升用户体验；

(3)还可以结合设备特征动态参数实时刷新用户等待时长，进一步提升用户体验，便于实际应用和推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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为本申请实施例提供的表单页面打开时长预测方法的流程示意图。

图2为本申请实施例提供的表单页面打开时长预测装置的结构示意图。

图3为本申请实施例提供的计算机设备的结构示意图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，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。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。

应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。

应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；又例如，A、B和/或C，可以表示存在A、B和C中的任意一种或他们的任意组合；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

实施例：

如图1所示，本实施例第一方面提供的所述表单页面打开时长预测方法，可以但不限于由具有一定计算资源的计算机设备执行，例如由平台服务器、个人计算机(PersonalComputer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal Digital Assistant，PDA)或可穿戴设备等电子设备执行。如图1所示，所述表单页面打开时长预测方法，可以但不限于包括有如下步骤S1～S5。

S1.获取多个表单页面打开事件的历史记录数据，其中，所述历史记录数据包含但不限于有在所述表单页面打开事件中涉事表单的多个表单特征参数和表单页面打开时长，所述涉事表单是指在所述表单页面打开事件中被打开的表单。

在所述步骤S1中，所述表单页面打开事件即是指已实现表单页面打开的历史事件。所述多个表单特征参数用于作为影响表单页面打开进度的表单自身相关因素；具体的，所述多个表单特征参数包含但不限于有表单页面布局复杂度、表单页面控件数量、表单页面控件类型和/或表单页面背景数据量等，其中，所述表单页面布局复杂度可以但不限于采用在表单中的信息字段数量和/或层次结构复杂度等指标来衡量，所述表单页面控件数量可以但不限于细分有文本框控件数量、下拉选项控件数量和/或按钮控件数量等，所述表单页面控件类型可以但不限于细分有日期选择器控件类型、文件上传框控件类型和/或富文本编辑器控件类型等。所述表单页面打开时长即是指在已实现表单页面打开过程中从开始时间戳至完成时间戳的间隔时长。此外，所述历史记录数据可在对应的历史事件发生过程中通过常规技术手段采集得到并进行数据存储，以便本次获取。

S2.将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数作为输入项，以及将所述每个表单页面打开事件的表单页面打开时长作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到表单页面打开时长预测模型。

在所述步骤S2中，所述机器学习算法是一种专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能的人工智能核心算法，是使计算机具有智能的根本途径；具体的，所述机器学习算法优选采用基于Python sklearn库的线性回归算法，以便快速并准确地找出数据中的规律。所述率定验证建模的具体过程包括有模型的率定过程和校核过程，即是先通过对比模型模拟结果与实测数据，然后根据对比结果调整模型参数，使得模拟结果与实际吻合的过程，因此可以通过常规的率定验证建模方式，得到所述表单页面打开时长预测模型。优选的，在所述人工智能模型的率定验证建模过程中，采用基于树结构的贝叶斯优化算法对模型参数进行调优。此外，所述人工智能模型还可以但不限于采用诸如支持向量机、K最邻近法、随机梯度下降法、多层感知机、决策树、反向传播神经网络或径向基函数网络等机器学习算法来实现。

S3.获取当前待打开表单的所述多个表单特征参数。

在所述步骤S3中，所述当前待打开表单即为需要用户进行数据输入和管理的目标表单，例如当某个用户在使用一款电子商务应用时，需要填写购物信息表单，则所述购物信息表单即为所述当前待打开表单。所述当前待打开表单的所述多个表单特征参数同样可以通过常规技术手段采集得到。

S4.将所述当前待打开表单的所述多个表单特征参数输入所述表单页面打开时长预测模型，输出得到所述当前待打开表单的表单页面打开预测时长。

S5.在所述当前待打开表单的表单页面打开过程中，根据所述表单页面打开预测时长，以倒计时形式动态指示用户等待时长。

在所述步骤S5中，根据所述表单页面打开预测时长，以倒计时形式动态指示用户等待时长，具体但不限于包括：在所述当前待打开表单的表单页面的开始打开时刻，同步启动一个倒计时器，并将该倒计时器的初始值设置为所述表单页面打开预测时长，以及还在用于加载展示所述当前待打开表单的表单页面的人机交互界面中优先加载一个实时显示所述倒计时器的计时值的数值显示控件，如此可以通过该数值显示控件的显示数值实现以倒计时形式动态指示用户等待时长的目的，进而可以在用户等待表单页面打开过程中，给予用户一个在表单打开时长维度上的准确预期，以便更好地管理用户期望，提升用户体验。

由此基于前述步骤S1～S5所描述的表单页面打开时长预测方法，提供了一种基于历史记录数据和机器学习算法对表单页面打开时长进行准确预测并指示的新方案，即在获取多个表单页面打开事件的历史记录数据后，先将每个事件的多个表单特征参数作为输入项，以及将每个事件的表单页面打开时长作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到表单页面打开时长预测模型，然后将当前待打开表单的所述多个表单特征参数输入该预测模型，输出得到所述当前待打开表单的表单页面打开预测时长，最后在表单页面打开过程中，根据所述表单页面打开预测时长，以倒计时形式动态指示用户等待时长，如此可以在用户等待表单页面打开过程中，给予用户一个在表单打开时长维度上的准确预期，以便更好地管理用户期望，提升用户体验，便于实际应用和推广。

本实施例在前述第一方面的技术方案基础上，还提供了一种结合设备特征参数进行模型训练及应用的可能设计一，即所述历史记录数据还包含但不限于有在所述表单页面打开事件中涉事设备的多个设备特征参数，其中，所述涉事设备是指用于加载展示所述涉事表单的表单页面的电子设备。所述多个设备特征参数用于作为影响表单页面打开进度的外部硬件相关因素；具体的，所述多个设备特征参数包含但不限于有传输网速、CPU(Central Processing Unit，中央处理器)使用率、CPU温度、可用物理内存大小、剩余物理内存大小、句柄数、线程数和/或进程数等。由于所述设备特征参数可能为动态数值，因此优先取在对应历史事件发生过程中的平均参数值或中间参数值作为后续模型的输入项。此外，所述电子设备可以但不限于为智能手机、笔记本电脑或平板电脑等。

将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数作为输入项，包括：将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数和所述多个设备特征参数作为输入项。

获取当前待打开表单的所述多个表单特征参数，包括：获取当前待打开表单的所述多个表单特征参数和当前设备的所述多个设备特征参数，其中，所述当前设备是指用于加载展示所述当前待打开表单的表单页面的电子设备。同样由于所述设备特征参数可能为动态数值，因此优先取即时参数值，即所述当前设备的所述多个设备特征参数包含但不限于有所述当前设备的即时传输网速、即时CPU使用率、即时CPU温度、即时可用物理内存大小、即时剩余物理内存大小、即时句柄数、即时线程数和/或即时进程数等。

将所述当前待打开表单的所述多个表单特征参数输入所述表单页面打开时长预测模型，包括：将所述当前待打开表单的所述多个表单特征参数和所述当前设备的所述多个设备特征参数输入所述表单页面打开时长预测模型。

由此基于前述的可能设计一，通过将表单特征参数和设备特征参数结合在一起进行模型训练及应用，可以提高模型预测结果的准确性，进一步提升用户体验。

本实施例在前述可能设计一的技术方案基础上，还提供了一种结合设备特征动态参数实时刷新用户等待时长的可能设计二，即在根据所述表单页面打开预测时长，以倒计时形式动态指示用户等待时长之后，所述方法还包括但不限于有如下步骤S6～S7：

S6.在所述当前待打开表单的表单页面打开过程中，若所述当前设备的所述多个设备特征参数有更新，则将所述当前待打开表单的所述多个表单特征参数和所述当前设备的且新的所述多个设备特征参数输入所述表单页面打开时长预测模型，输出得到所述当前待打开表单的表单页面打开预测新时长。

S7.根据所述表单页面打开预测新时长与已倒计时长的时长差值，重新以倒计时形式动态指示用户等待时长。

在所述步骤S7中，所述已倒计时长即为从所述当前待打开表单的表单页面的开始打开时刻起至当前时刻的时长。所述重新以倒计时形式动态指示用户等待时长，具体包括：将所述倒计时器的当前值设置为所述时长差值。

由此基于前述的可能设计二，还可以结合设备特征动态参数实时刷新用户等待时长，进一步提升用户体验。

如图2所示，本实施例第二方面提供了一种实现第一方面或第一方面中任一可能设计所述的表单页面打开时长预测方法的虚拟装置，包括有记录数据获取模块、预测模型训练模块、特征参数获取模块、预测模型应用模块和预测结果指示模块；

所述记录数据获取模块，用于获取多个表单页面打开事件的历史记录数据，其中，所述历史记录数据包含有在所述表单页面打开事件中涉事表单的多个表单特征参数和表单页面打开时长，所述涉事表单是指在所述表单页面打开事件中被打开的表单；

所述预测模型训练模块，通信连接所述记录数据获取模块，用于将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数作为输入项，以及将所述每个表单页面打开事件的表单页面打开时长作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到表单页面打开时长预测模型；

所述特征参数获取模块，用于获取当前待打开表单的所述多个表单特征参数；

所述预测模型应用模块，分别通信连接所述预测模型训练模块和所述特征参数获取模块，用于将所述当前待打开表单的所述多个表单特征参数输入所述表单页面打开时长预测模型，输出得到所述当前待打开表单的表单页面打开预测时长；

所述预测结果指示模块，通信连接所述预测模型应用模块，用于在所述当前待打开表单的表单页面打开过程中，根据所述表单页面打开预测时长，以倒计时形式动态指示用户等待时长。

在一个可能的设计中，所述历史记录数据还包含有在所述表单页面打开事件中涉事设备的多个设备特征参数，其中，所述涉事设备是指用于加载展示所述涉事表单的表单页面的电子设备；

将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数作为输入项，包括：将在所述多个表单页面打开事件中的每个表单页面打开事件的所述多个表单特征参数和所述多个设备特征参数作为输入项；

获取当前待打开表单的所述多个表单特征参数，包括：获取当前待打开表单的所述多个表单特征参数和当前设备的所述多个设备特征参数，其中，所述当前设备是指用于加载展示所述当前待打开表单的表单页面的电子设备；

将所述当前待打开表单的所述多个表单特征参数输入所述表单页面打开时长预测模型，包括：将所述当前待打开表单的所述多个表单特征参数和所述当前设备的所述多个设备特征参数输入所述表单页面打开时长预测模型。

在一个可能的设计中，所述预测模型应用模块，还用于在所述当前待打开表单的表单页面打开过程中，若所述当前设备的所述多个设备特征参数有更新，则将所述当前待打开表单的所述多个表单特征参数和所述当前设备的且新的所述多个设备特征参数输入所述表单页面打开时长预测模型，输出得到所述当前待打开表单的表单页面打开预测新时长；

所述预测结果指示模块，还用于根据所述表单页面打开预测新时长与已倒计时长的时长差值，重新以倒计时形式动态指示用户等待时长。

本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的表单页面打开时长预测方法，于此不再赘述。

如图3所示，本实施例第三方面提供了一种执行如第一方面或第一方面中任一可能设计所述的表单页面打开时长预测方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任一可能设计所述的表单页面打开时长预测方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(FlashMemory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。

本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的表单页面打开时长预测方法，于此不再赘述。

本实施例第四方面提供了一种存储包含如第一方面或第一方面中任一可能设计所述的表单页面打开时长预测方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任一可能设计所述的表单页面打开时长预测方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。

本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面或第一方面中任一可能设计所述的表单页面打开时长预测方法，于此不再赘述。

本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任一可能设计所述的表单页面打开时长预测方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。