应用程序运行预测方法、装置以及电子设备
文献发布时间:2023-06-19 11:35:49
技术领域
本申请涉计算机技术领域,更具体地,涉及一种应用程序运行预测方法、装置以及电子设备。
背景技术
随着电子设备中所安装的应用程序的数量越来越多,更多的应用程序对运行环境有更高的需求。但是,电子设备中相关的应用程序的运行效率还有待提升。
发明内容
鉴于上述问题,本申请提出了一种应用程序运行预测方法、装置以及电子设备,以改善上述问题。
第一方面,本申请提供了一种应用程序运行预测方法,应用电子设备,所述方法包括:基于训练的机器模型预测得到应用程序运行信息,所述应用程序运行信息包括预测的在目标时间会运行的应用程序;根据目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,所述目标条件表征指定的应用程序运行规律;基于所述更新后的应用程序运行信息进行运行环境配置。
第二方面,本申请提供了一种应用程序运行预测装置,运行于电子设备,所述装置包括:运行预测单元,用于基于训练的机器模型预测得到应用程序运行信息,所述应用程序运行信息包括预测的在目标时间会运行的应用程序;预测结果更新单元,用于根据目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,所述目标条件表征指定的应用程序运行规律;运行环境配置单元,用于基于所述更新后的应用程序运行信息进行运行环境配置。
第三方面,本申请提供了一种电子设备,包括一个或多个处理器以及存储器;一个或多个程序,其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行上述的方法。
第四方面,本申请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中存储有程序代码,其中,在所述程序代码运行时执行上述的方法。
本申请提供的一种应用程序运行预测方法、装置以及电子设备,在基于训练的机器模型预测得到包括预测的在目标时间会运行的应用程序的应用程序运行信息后,会进一步的根据表征指定的应用程序运行规律的目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,然后基于所述更新后的应用程序运行信息进行运行环境配置,从而通过上述方式实现了对于训练的机器模型预测的在目标时间会运行的应用程序,可以再根据指定的应用程序运行规律对该预测的在目标时间会运行的应用程序进行调整,进而提升了最终所预测的在目标时间会运行的应用程序的准确性,同时也可以实现更加准确的进行运行环境的配置。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域技术人员来讲,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示出了本申请实施例提出的一种应用程序运行预测方法的流程图;
图2示出了本申请另一实施例提出的一种应用程序运行预测方法的流程图;
图3示出了本申请再一实施例提出的一种应用程序运行预测方法的流程图;
图4示出了本申请又一实施例提出的一种应用程序运行预测方法的流程图;
图5示出了本申请提出的一种应用程序运行预测装置的结构框图;
图6示出了本申请提出的另一种应用程序运行预测装置的结构框图;
图7示出了本申请的用于执行根据本申请实施例的应用程序运行预测方法的电子设备的结构框图。
图8是本申请实施例的用于保存或者携带实现根据本申请实施例的应用程序运行预测方法的程序代码的存储单元。
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,本领域普通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。
随着更多的功能都可以通过软件来实现,在电子设备中所安装的应用程序也越来越多。而对于不同的应用程序在运行过程中所需要的运行环境可能会有所不同。例如,对于视频类的应用程序和购票类的应用程序而言所需要的内存就可能不同。具体的,对于视频类的应用程序而言,在运行过程中会有较大概率进行视频的缓存,而对于购票类的应用程序的则仅仅在于缓存文本类的资源。因此,为了适应视频类的应用程序的运行特性,电子设备可以给视频类的应用程序分配多于购票类的应用程序的的内存,以适配视频类的应用程序的运行环境。
而发明人通过对电子设备中多个应用程序的运行过程进行研究后发现,在电子设备的运行过程中多个应用程序的运行次序可以是有一定规律的。因此,如果能够提前预测未来的一段时间内将会运行的应用程序,那么就可以进行提前的运行环境配置,以提升运行效率。示例性的,若预测到未来将会运行的应用程序为视频类的应用程序,那么电子设备就可以检测当前剩余的内存是否足够分配给该预测要启动的视频类的应用程序,如果不够就可以提前进行内存回收,进而以免在视频类的应用程序启动过程中再去执行内存回收,从而提升该视频类的应用程序的运行效率。
进一步地,发明人发现可以通过机器学习的方式得到一个预测模型,进而通过该预测模型来预测在一定时间段内的应用程序运行次序。但是,发明人通过对该该预测模型来预测在一定时间段内的应用程序运行次序的方式进行深入研究后发现,相关的通过机器学习的方式得到的预测模型并不会太关联到每个电子设备的用户的实际使用习惯的区别,进而会造成电子设备运行该预测模型时所得到的预测结果并不能表达用户的实际需求。而如果要得到更为符合用户需求的预测结果又需要较为繁琐的训练过程,并且还会造成后期的升级过程消耗较高成本。
因此,发明人提出了本申请实施例所提供的应用程序运行预测方法、装置以及电子设备,从而对于训练的机器模型预测的在目标时间会运行的应用程序,可以再根据指定的应用程序运行规律对该预测的在目标时间会运行的应用程序进行调整,进而提升了最终所预测的在目标时间会运行的应用程序的准确性,同时也可以实现更加准确的进行运行环境的配置。
下面将结合附图具体描述本申请中的实施例。
请参阅图1,本申请实施例提供的一种应用程序运行预测方法,应用于电子设备,所述方法包括:
步骤S110:基于训练的机器模型预测得到应用程序运行信息,所述应用程序运行信息包括预测的在目标时间会运行的应用程序。
需要说明的是,在执行步骤S110之前,可以通过训练数据来对机器模型进行训练,以使得训练的机器模型可以预测将来一段时间或者说在目标时间会运行的应用程序。其中,训练数据可以为多个应用程序的依次运行的顺序,以及在应用程序运行过程中的电量状态、网络状态以及外部设备连接状态等。
在本申请实施例中目标时间可以理解为当前应用程序结束运行之后的时间,也可以理解为当前时刻以后的某个时间。
步骤S120:根据目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,所述目标条件表征指定的应用程序运行规律。
在本申请实施例中除了会采集训练数据进行机器模型的训练以外,还会通过统计的方式来获取到电子设备中的应用程序运行规律。该应用程序运行规律可以包括应用程序的运行次数、应用程序会具体跳转到哪个其他的应用程序以及跳转到其他应用程序的次数。示例性的,可以通过矩阵的方式来表征应用程序运行规律。具体的,在统计到的应用程序运行规律为:应用程序A->应用程序B->应用程序C->应用程序A->应用程序D->应用程序B->应用程序C->应用程序A。那么通过统计可以发现,那么对于以上的应用程序运行规律,应用程序的种类有种4,那么可以对应建立包括四个元素的矩阵。所建立的矩阵可以为M=[M0,M1,M2,M3],其中,M0就表示应用程序A跳转到其他应用程序(即用了应用程序A后跳转到后续的应用程序)的信息,M1就表示应用程序B跳转到其他应用程序(即用了应用程序B后跳转到后续的应用程序)的信息,M2就表示应用程序C跳转到其他应用程序(即用了应用程序C后跳转到后续的应用程序)的信息,M3就表示应用程序D跳转到其他应用程序(即用了应用程序D后跳转到后续的应用程序)的信息。
而对于其中的M0,M1,M2,M3也可以为一维矩阵。以M0为例,M0可以为[M00,M01,M02,M03],其中,M00表示应用程序A跳转到应用程序A(即用了应用程序A后,下一个还是应用程序A)的次数,M00表示应用程序A跳转到应用程序B(即用了应用程序A后,下一个是应用程序B)的次数,M00表示应用程序A跳转到应用程序C(即用了应用程序A后,下一个是应用程序C)的次数,M00表示应用程序A跳转到应用程序D(即用了应用程序A后,下一个是应用程序D)的次数。而对于其它的M1,M2以及M3也是类似的,此处不再赘述。
那么电子设备在获取到上述的应用程序规律作为目标条件后,就可以基于该应用程序规律对前述基于训练的机器模型得到的应用程序运行信息进行更新,进而得到更新后的应用程序运行信息。
步骤S130:基于所述更新后的应用程序运行信息进行运行环境配置。
作为一种方式,电子设备在获取到更新后的应用程序运行信息后,在进行运行环境的配置的过程中,可以提前准备更新后的应用程序运行信息中的应用程序所需要的资源。该资源可以为内存资源,也可以为处理器资源等。示例性的,在基于训练的机器模型预测得到应用程序运行信息包括依次排序运行的应用程序A、应用程序B、应用程序C以及应用程序E的情况下,进一步的电子设备根据目标条件对该应用程序运行信息进行更新,而更新后的应用程序运行信息包括应用程序A、应用程序D以及应用程序C。而若当前正在运行的应用程序为应用程序A,那么就可以判定电子设备预测后续将会运行的为应用程序D,进而可以提前准备应用程序D在运行过程中所需要的运行环境。可选的,若应用程序D在运行过程中需要消耗较大的内存,那么电子设备就可以在提前配置应用程序D所需要的运行环境的过程中,提前进行内存回收,进而通过提前进行内存回收的方式提升应用程序的运行效率。可选的,若应用程序D在运行过程中需要消耗较大的处理资源,那么电子设备就可以提前杀死闲置的进程以进行处理资源的回收,以便应用程序D运行过程中有足够的处理资源。
本申请提供的一种应用程序运行预测方法,在基于训练的机器模型预测得到包括预测的在目标时间会运行的应用程序的应用程序运行信息后,会进一步的根据表征指定的应用程序运行规律的目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,然后基于所述更新后的应用程序运行信息进行运行环境配置,从而通过上述方式实现了对于训练的机器模型预测的在目标时间会运行的应用程序,可以再根据指定的应用程序运行规律对该预测的在目标时间会运行的应用程序进行调整,进而提升了最终所预测的在目标时间会运行的应用程序的准确性,同时也可以实现更加准确的进行运行环境的配置。
请参阅图2,本申请实施例提供的一种应用程序运行预测方法,应用于电子设备,所述方法包括:
步骤S210:基于训练的机器模型预测得到应用程序运行信息,所述应用程序运行信息包括预测的在目标时间会运行的应用程序。
步骤S211:检测在目标时间会运行的应用程序中是否存在不满足目标条件的应用程序。
步骤S220:若所述在目标时间会运行的应用程序中存在不满足目标条件的应用程序,对所述应用程序运行信息进行处理,以去除所述不满足目标条件的应用程序,得到更新后的应用程序运行信息,所述目标条件表征指定的应用程序运行规律。
其中,可选的,所述前时间段对应的用户使用习惯的应用程序包括在前时间段对应的应用程序历史使用次数中排序满足指定顺序的应用程序。可选的,在目标时间会运行的应用程序有多个,所述目标条件表征惯用的多个应用程序之间的跳转关系。
在本申请实施例中,在预测后续将会运行的应用程序的目的之一在于可以提前进行所需运行环境的配置,以便提升运行效率。而若所预测的应用程序中,存在并不会实际运行的应用程序,那么就可能会造成配置不适用的运行环境,并且还会造成资源的浪费。
示例性的,若基于训练的机器模型预测得到应用程序运行信息包括应用程序B、应用程序C以及应用程序D,并且当前正在运行的应用程序为应用程序B,那么就可以判定在当前的应用程序B运行之后将会是应用程序C运行,进而会开始为应用程序C准备适应的运行环境。而若应用程序C对于处理器资源的消耗较大,那么电子设备可以适应性的杀死较多闲置的进程,进而回收足够应用程序C所使用的处理器资源。但是,其中从应用程序B跳转到应用程序C这个过程并不符合电子设备的当前用户的使用习惯,也就意味着在当前运行应用程序B之后,并不会运行应用程序C,那么电子设备为应用程序C准备适应的运行环境的过程则会浪费,并且给应用程序C所提前配置的运行环境,可能并不适配应用程序B之后所实际运行的应用程序的运行需求。
那么通过去除基于训练的机器模型预测得到应用程序运行信息中所包括的不满足目标条件的应用程序的方式,可以避免电子设备进行不必要的运行环境配置。示例性的,以前述的应用程序运行信息包括应用程序B、应用程序C以及应用程序D,且其中的应用程序C不符合前述目标条件。那么在检测到应用程序C不符合前述目标条件的情况下,可以将应用程序C从该应用程序运行信息中删除。
此外,目标条件除了可以表征多个应用程序之间的跳转关系外,还可以表征用户惯用的应用程序有哪些。示例性的,可以将运行次数较高的多个应用程序配置为用户惯用的应用程序。
再者,在进行不满足目标条件的应用程序删除操作后,可能会存在跳转转关系与用户的实际跳转会有所区别。例如,若基于训练的机器模型预测得到应用程序运行信息中包括应用程序B、应用程序C以及应用程序D,可以表征的运行顺序是从应用程序B跳转到应用程序C,再从应用程序C跳转到应用程序D。若删除应用程序C之后,跳转关系则为应用程序B跳转到应用程序D。但是,其实,按照用户的使用习惯在应用程序B和应用程序D之间应当还有其他的应用程序。
作为一种方式,为了能够避无效的运行环境配置的同时还能够更加贴合用户的使用习惯,所述对所述应用程序运行信息进行处理,以去除所述不满足目标条件的应用程序,得到更新后的应用程序运行信息的步骤包括:对所述应用程序运行信息进行处理,以去除所述不满足目标条件的应用程序,得到待补充的应用程序运行信息;在所述待补充的应用程序运行信息中增加符合用户使用习惯的应用程序,得到更新后的应用程序运行信息。
需要说明的是,在本申请实施例中,前述的符合用户使用习惯的应用程序是基于统计的方式得到的,与基于训练的机型模型得到的应用程序训练信息的内容是可能不同的。并且,符合用户使用习惯的应用程序可以是由电子设备本身针对用户进行统计得到的,因此所统计得到的符合用户使用习惯的应用程序可以为针对单个用户而实现的。但是,前述的用于得到应用程序运行信息的机器模型可能是由服务器根据多个用户不同的应用程序使用记录训练得到的,因此,可能无法很好的针对某个用户具体的使用习惯。因此,在所述待补充的应用程序运行信息中增加符合用户使用习惯的应用程序,可以实现能够避无效的运行环境配置的同时还能够更加贴合用户的使用习惯。
再者,可选的,电子设备的用户使用应用程序的习惯可能会带有一定的阶段性,而在阶段可能即时是同样的多个应用程序,用户也会有不同的使用顺序。例如,在早上用户更喜欢先了解一些实时新闻,那么可能在电子设备启动后可能会先打开信息浏览类的应用程序(例如,微博、浏览器客户端等),然后再去看看社交软件中有没有消息。但是,在下午时间段用户可能更期望通过社交软件来沟通一些信息那么可能主要使用的就是社交类的应用程序,或者然后再去看看信息浏览类的应用程序。
因此,作为一种更加细粒度以及同时为了能够更加准确的对机器模型所输出得到的应用程序信息进行更新,电子设备可以划分多个时间段,而针对该多个时间段分别进行符合用户使用习惯的应用程序的统计。示例性的,在一天24小时中,电子设备可以将一天划分为24个时间段,而针对每个时间段单独进行符合用户使用习惯的应用程序的统计。在这种情况下,电子设备可以在每个时间段开始以后,重新统计当前时间段中每个应用程序的运行次数,进而将运行次数的排序靠前的多个应用程序或者最多的应用程序判定为符合用户使用习惯的应用程序。
那么对应的,前述的目标条件表征是多个应用程序之间的相互跳转关系。进而也可以通过分时间段的方式来统计得到目标条件。那么在这种情况下,前述的目标条件可以在不同的时间段内表征不同的应用程序运行规律,进而电子设备可以在每个时间段开始之后重新统计每个时间段对应的目标条件。示例性的,基于目标条件也可以划分与前述的进行符合用户使用习惯的应用程序的统计采用相同的时间段的划分方式。在这种情况下,可选的,电子设备将一天时间划分为多个时间段,那么针对每个时间段电子设备既要统计每个应用程序的运行次数,有需要同时针对每个时间段分别统计应用程序的相互跳转关系以及次数。
那么基于分时间段的这种情况下,作为一种方式,所述对所述应用程序运行信息进行处理,以去除所述不满足目标条件的应用程序,得到待补充的应用程序运行信息的步骤,包括:对所述应用程序运行信息进行处理,以去除所述不满足当前时间段对应的目标条件的应用程序,得到待补充的应用程序运行信息;所述在所述待补充的应用程序运行信息中增加符合用户使用习惯的应用程序,得到更新后的应用程序运行信息的步骤包括:在所述待补充的应用程序运行信息中增加符合当前时间段对应的用户使用习惯的应用程序。
其中,需要说明的是,基于训练的机器模型所得到的应用程序运行信息中除了包括多个应用程序外,还会包括这多个应用程序的运行先后关系,那么作为一种方式,在所述待补充的应用程序运行信息中增加符合用户使用习惯的应用程序,得到更新后的应用程序运行信息的过程中,可以按照基于机器模型生成的应用程序运行信息中应用程序原本的排列顺序进行应用程序的补充,也可以按照与前述的目标条件以及符合用户使用习惯的应用程序来进行应用程序的补充。
示例性的,若基于训练的机器模型所得到的应用程序运行信息中依次包括应用程序A、应用程序B、应用程序C、应用程序D以及应用程序E,并且限定了所预测的运行顺序依次也为应用程序A、应用程序B、应用程序C、应用程序D以及应用程序E。那么在检测到其中的应用程序B以及应用程序E不符合目标条件的情况下,电子设备会将应用程序B以及应用程序E从运行信息中进行删除,那么得到的待补充的应用程序运行信息中就包括应用程序A、应用程序C以及应用程序D。而经过统计在符合用户使用习惯的应用程序中,在当前时间段运行次数较多的依次为应用程序F以及应用程序G。那么作为一种补充方式,可以仅参考符合用户使用习惯的应用程序进行应用程序运行信息中的缺失位置(即前述被删除的应用程序原本所在的排序位置)的补充,所补充得到的更新后的应用程序运行信息为应用程序A、应用程序F、应用程序C、应用程序D以及应用程序G。
其中,为了能够更加贴合用户的实际使用习惯,还可以再集合当前时刻所属时间段对应的目标条件来进行缺失位置的补充。例如,在当前时间段运行次数较多的依然依次为应用程序F以及应用程序G,但是,电子设备根据当前时间段的目标条件判定应用程序A更多的是直接跳转到应用程序G,而后续才会跳转到应用程序F(可以是应用程序G直接跳转到应用程序F,也可以在应用程序G之后运行的其他应用程序跳转到应用程序F),那么电子设备在进行缺失位置补充的时候,就可以将应用程序G排序在应用程序A之后,而将应用程序F排序在应用程序D之后,进而得到更新后的应用程序运行的内容为:应用程序A、应用程序G、应用程序C、应用程序D以及应用程序F。
需要说明的是,在本申请实施例中,应用程序被触发进行前台运行则可以被电子设备识别伪运行一次。示例性的,如在某一天9点到10点时段内,用户的电子设备中操作如下:解锁手机->打开应用程序A->返回桌面->打开应用程序B->返回桌面->打开应用程序A->返回桌面。那么在这个时段内,应用程序A的使用次数为2次,应用程序B的使用次数为1。
步骤S230:基于所述更新后的应用程序运行信息进行运行环境配置。
本申请提供的一种应用程序运行预测方法,在基于训练的机器模型预测得到包括预测的在目标时间会运行的应用程序的应用程序运行信息后,会进一步的根据表征指定的应用程序运行规律的目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,然后基于所述更新后的应用程序运行信息进行运行环境配置,从而通过上述方式实现了对于训练的机器模型预测的在目标时间会运行的应用程序,可以再根据指定的应用程序运行规律对该预测的在目标时间会运行的应用程序进行调整,进而提升了最终所预测的在目标时间会运行的应用程序的准确性,同时也可以实现更加准确的进行运行环境的配置。
并且,在本申请实施例中,可以在具体的应用程序运行信息更新过程中,去除去除所述不满足目标条件的应用程序,或者再在去除不满足目标条件的应用程序的应用程序运行信息中,增加符合用户使用习惯的应用程序,进而得到更加贴合用户使用习惯的应用程序运行信息,以便电子设备可以更加准确的提前进行环境的配置。还有,在本实施例中,还可以通过划分时间段的方式,针对每个时间段分别配置目标条件以及符合当前时间段对应的用户使用习惯的应用程序,进而能够更加准确的预测当前时间段内的应用程序运行次序。
请参阅图3,本申请实施例提供的一种应用程序运行预测方法,应用于电子设备,所述方法包括:
步骤S310:获取当前正在运行的应用程序。
步骤S320:基于训练的机器模型预测得到当前正在运行的应用程序之后会运行的应用程序。
步骤S330:将所述当前正在运行的应用程序之后会运行的应用程序作为应用程序运行信息。
步骤S340:根据目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,所述目标条件表征指定的应用程序运行规律。
步骤S350:基于所述更新后的应用程序运行信息进行运行环境配置。
本申请提供的一种应用程序运行预测方法,先获取当前正在运行的应用程序,在基于训练的机器模型预测得到当前正在运行的应用程序之后会运行的应用程序后,将所述当前正在运行的应用程序之后会运行的应用程序作为应用程序运行信息,并且会进一步的根据表征指定的应用程序运行规律的目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,然后基于所述更新后的应用程序运行信息进行运行环境配置,从而通过上述方式实现了对于训练的机器模型预测的在目标时间会运行的应用程序,可以再根据指定的应用程序运行规律对该预测的在目标时间会运行的应用程序进行调整,进而提升了最终所预测的在目标时间会运行的应用程序的准确性,同时也可以实现更加准确的进行运行环境的配置。
请参阅图4,本申请实施例提供的一种应用程序运行预测方法,所述方法包括:
步骤S410:基于历史应用程序运行记录对待训练的机器模型进行训练,得到训练的机器模型;其中,历史应用程序运行记录包括多条记录信息,每条记录信息至少包括应用程序对应的运行时间信息、应用程序对应的在前运行的应用程序以及在后运行的应用程序的标识、应用程序运行过程中的充电状态、应用程序运行过程中的外部设备连接状态以及应用程序运行过程中的网络状态。
需要说明的是,发明人在研究中发现,针对电子设备不同的电量状态、网络状态以及外设连接状态,电子设备中所运行的应用程序可能是会有所区别的。例如,通常在电池电量较低的状态下,且又未处于充电状态,那么用户可能会不倾向于使用游戏类或者视频类等较为消耗电量的应用程序。再例如,在当前处于未接通数据通信链路的情况下,电子设备的用户可能就不太会使用需要网络功能的应用程序。
作为一种方式,在本申请实施例中,步骤S410可以是由云端的服务器来执行的,进而由服务器完成机器模型的训练后,再分发到用户所使用的电子设备中。那么在这种方式下,不同用户所使用的电子设备就可以进行应用程序的运行记录的上传,并且在上传过程中可以按照既定的数据格式生成上传数据。
可选的,电子设备可以将数据格式定义为:
[t,d,A
其中,t表示当前时间,取值范围为[0,23],以每小时为一个单位;d表示星期几,取值范围为[0,6],共7个取值,分别为星期一到星期日;A
而服务器可以在搜集到某个电子设备上传的目标时间段(例如,10天、20天甚至更长时间)长度的运行记录后,开始进行机器模型的训练。而在训练之前可以先构建训练集,可选的可以将收集的运行记录中一部分作为训练集中的数据。
在本实施例中,可以采用多种方式来对待训练的机器模型进行训练。
作为一种方式,可以采用逻辑回归算法来对待训练的机器模型进行训练。在这种方式中,逻辑回归算法所使用的损失函数为:
其中:m是训练集数据的总条数,y
记录1:9:10用户用了应用程序B。
记录2:9:15用了应用程序C。
记录3:9:40用了应用程序D。
那么对于记录1来说,它对应的真实标签就是应用程序C。对于记录2来说,它的真实标签就是应用程序D。对于其中的逻辑回归算法计算得到的标签也是如此。
再者,作为另外一种方式,可以采用随机森林算法来对待训练的机器模型进行训练。在这种方式中,通过信息熵的计算来进行训练样本的划分。信息熵公式如下:
其中:n表示训练集数据中标签的种类数,pi表示训练样本标签属于第类的概率。
步骤S420:基于训练的机器模型预测得到应用程序运行信息,所述应用程序运行信息包括预测的在目标时间会运行的应用程序。
步骤S430:根据目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,所述目标条件表征指定的应用程序运行规律。
步骤S440:基于所述更新后的应用程序运行信息进行运行环境配置。
本申请提供的一种应用程序运行预测方法,从而通过上述方式实现了对于训练的机器模型预测的在目标时间会运行的应用程序,可以再根据指定的应用程序运行规律对该预测的在目标时间会运行的应用程序进行调整,进而提升了最终所预测的在目标时间会运行的应用程序的准确性,同时也可以实现更加准确的进行运行环境的配置。
请参阅图5,本申请实施例提供的一种应用程序运行预测装置500,运行于电子设备,所述装置500包括:
运行预测单元510,用于基于训练的机器模型预测得到应用程序运行信息,所述应用程序运行信息包括预测的在目标时间会运行的应用程序。
作为一种方式,运行预测单元510,具体用于获取当前正在运行的应用程序;基于训练的机器模型预测得到当前正在运行的应用程序之后会运行的应用程序;将所述当前正在运行的应用程序之后会运行的应用程序作为应用程序运行信息。
预测结果更新单元520,用于根据目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,所述目标条件表征指定的应用程序运行规律。
作为一种方式,预测结果更新单元520,具体用于若所述在目标时间会运行的应用程序中存在不满足目标条件的应用程序,对所述应用程序运行信息进行处理,以去除所述不满足目标条件的应用程序,得到更新后的应用程序运行信息。
在这种方式下,预测结果更新单元520,具体用于对所述应用程序运行信息进行处理,以去除所述不满足目标条件的应用程序,得到待补充的应用程序运行信息;在所述待补充的应用程序运行信息中增加符合用户使用习惯的应用程序,得到更新后的应用程序运行信息。
进一步的,预测结果更新单元520,具体用于对所述应用程序运行信息进行处理,以去除所述不满足当前时间段对应的目标条件的应用程序,得到待补充的应用程序运行信息;在所述待补充的应用程序运行信息中增加符合当前时间段对应的用户使用习惯的应用程序。
运行环境配置单元530,用于基于所述更新后的应用程序运行信息进行运行环境配置。
作为一种方式,所述前时间段对应的用户使用习惯的应用程序包括在前时间段对应的应用程序历史使用次数中排序满足指定顺序的应用程序。
作为一种方式,在目标时间会运行的应用程序有多个,所述目标条件表征惯用的多个应用程序之间的跳转关系。
如图6所示,所述装置500,还包括:
模型训练单元540,用于基于历史应用程序运行记录对待训练的机器模型进行训练,得到训练的机器模型;其中,历史应用程序运行记录包括多条记录信息,每条记录信息至少包括应用程序对应的运行时间信息、应用程序对应的在前运行的应用程序以及在后运行的应用程序的标识、应用程序运行过程中的充电状态、应用程序运行过程中的外部设备连接状态以及应用程序运行过程中的网络状态。
需要说明的是,本申请中具体如何根据音频编码类型对音频数据进行编码是可以采用现有的技术,本申请就不再细述。
下面将结合图7对本申请提供的一种电子设备进行说明。
请参阅图7,基于上述的图像处理方法、装置,本申请实施例还提供的另一种可以执行前述应用程序运行预测方法的电子设备200。电子设备200包括相互耦合的一个或多个(图中仅示出一个)处理器102、存储器104、网络模块106以及加速度传感器108。其中,该存储器104中存储有可以执行前述实施例中内容的程序,而处理器102可以执行该存储器104中存储的程序。
其中,处理器102可以包括一个或者多个处理核。处理器102利用各种接口和线路连接整个电子设备100内的各个部分,通过运行或执行存储在存储器104内的指令、程序、代码集或指令集,以及调用存储在存储器104内的数据,执行电子设备100的各种功能和处理数据。可选地,处理器102可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器102可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器102中,单独通过一块通信芯片进行实现。
存储器104可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器104可用于存储指令、程序、代码、代码集或指令集。存储器104可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储终端100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
所述网络模块106用于接收以及发送电磁波,实现电磁波与电信号的相互转换,从而与通讯网络或者其他设备进行通讯,例如和无线接入点进行通讯。所述网络模块106可包括各种现有的用于执行这些功能的电路元件,例如,天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。所述网络模块106,还可以作为网络适配器,用于电子设备200直接通过线路连接的方式接入到网络中。该网络可包括蜂窝式电话网、无线局域网或者城域网。
加速度传感器108可以包括重力加速度传感器以及陀螺仪传感器等。
请参考图8,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质800中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质800可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质800包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。
综上所述,本申请提供的一种应用程序运行预测方法、装置以及电子设备,在基于训练的机器模型预测得到包括预测的在目标时间会运行的应用程序的应用程序运行信息后,会进一步的根据表征指定的应用程序运行规律的目标条件对所述应用程序运行信息进行更新,得到更新后的应用程序运行信息,然后基于所述更新后的应用程序运行信息进行运行环境配置,从而通过上述方式实现了对于训练的机器模型预测的在目标时间会运行的应用程序,可以再根据指定的应用程序运行规律对该预测的在目标时间会运行的应用程序进行调整,进而提升了最终所预测的在目标时间会运行的应用程序的准确性,同时也可以实现更加准确的进行运行环境的配置。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
- 应用程序运行预测方法、装置以及电子设备
- 应用程序运行方法、装置、存储介质及电子设备