移動終端及其應用預啟動方法
【專利摘要】本發明公開了一種移動終端及其應用預啟動方法，移動終端包括：情景上下文模塊，用于獲取移動終端的情景上下文的原始數據；決策模塊，用于對預測移動終端即將啟動的應用所使用的模型進行決策；決策模塊，還用于基于所決策使用的至少一個模型對情景上下文的原始數據進行預測處理，得到移動終端用戶即將啟動的至少一個應用，基于預測到的至少一個應用確定預啟動應用；處理追蹤模塊，用于為預啟動應用分配硬件資源，基于所分配的硬件資源預加載預啟動應用的數據，獲取網絡側對應預啟動應用的新數據更新預加載的至少一個應用的數據。實施本發明，能夠準確預測預啟動應用。
【專利說明】
移動終端及其應用預啟動方法
技術領域
[0001] 本發明設及電子技術，尤其設及一種移動終端及其應用預啟動方法。
【背景技術】
[0002] 隨著移動互聯網的快速發展，應用(App)已進入了生活各個領域（比如社交、購物、 旅游出行、學習辦公等均有相應的App),用戶通過移動終端每天都與許多的App進行交互。 然而App的啟動通常會耗費幾秒的時間，特別是一些游戲類App,等待啟動畫面消失，可能會 耗費20秒W上的時間。一些App比如郵箱客戶端，啟動只需幾秒的時間，但是在啟動時從網 絡的應用服務器上異步讀取新內容時會有一定的延遲，在運個過程中會耗費十幾秒的時 間。
[0003] 為了減少啟動時間，已有的方法是將App緩存于內存中，但至少存在W下問題：
[0004] 1) App會占用大量的內存尤其是游戲類App，使終端運行緩慢。
[0005] 2)App啟動時讀取緩存中的內容加載而不是從網絡獲取內容，會有內容更新不夠 及時的問題。

【發明內容】

[0006] 有鑒于此，本發明實施例為解決現有技術中存在的至少一個問題而提供一種移動 終端及其應用預啟動方法。
[0007] 本發明實施例的技術方案是運樣實現的：
[000引第一方面，本發明實施例提供一種移動終端，所述移動終端包括：
[0009] 情景上下文模塊，用于獲取移動終端的情景上下文的原始數據；
[0010] 決策模塊，用于對預測所述移動終端即將啟動的應用所使用的模型進行決策，每 個所述模型為基于所述模型所對應維度的特征、W及所述移動終端具有所對應維度的特 征時所運行的應用訓練得到；
[0011] 所述決策模塊，還用于基于所決策使用的至少一個模型對所述情景上下文的原始 數據進行預測處理，得到所述移動終端用戶即將啟動的至少一個應用，基于預測到的至少 一個應用確定預啟動應用；
[0012] 處理追蹤模塊，用于為所述預啟動應用分配硬件資源，基于所分配的硬件資源預 加載所述預啟動應用的數據，獲取網絡側對應所述預啟動應用的新數據更新預加載的所述 至少一個應用的數據。
[0013] 可選地，所述至少一個模型包括觸發模型；
[0014] 所述決策模塊，還用于基于所決策使用的所述觸發模型進行預測處理W確定待啟 動應用對應的觸發特征;所述觸發特征表征應用集合中各待啟動應用在啟動應用之后被所 述移動終端用戶啟動的概率，所述啟動應用為所述移動終端中啟動的應用；
[0015] 選取所述應用集合中觸發特征滿足預設條件的待啟動應用為所述預啟動應用。
[0016] 可選地，所述至少一個模型包括位置模型；
[0017] 所述決策模塊，還用于基于所決策使用的所述位置模型進行預測處理，確定待啟 動應用對應的位置特征;所述位置特征表征應用集合中各待啟動應用的預設啟動位置與所 述移動終端所處位置的相近程度；
[0018] 選取所述應用集合中位置特征滿足預設條件的待啟動應用為所述預啟動應用。
[0019] 可選地，所述至少一個模型包括時間模型；
[0020] 所述決策模塊，還用于基于所決策使用的所述時間模型進行預測處理W確定待啟 動應用對應的頻度特征，所述頻度特征表征應用集合中各待啟動應用在當前時刻被所述移 動終端使用的頻度；
[0021] 選取所述應用集合中頻度特征滿足預設條件的待啟動應用為所述預啟動應用。
[0022] 可選地，所述移動終端還包括：
[0023] 特征提取模塊，用于解析所述移動終端的情景上下文的歷史原始數據得到所述移 動終端在至少一個維度下的特征；
[0024] 模型訓練模塊，用于基于所述至少一個維度下的特征對相應維度的模型進行訓 練，所述訓練為所述模型訓練模塊完成，或為所述模型訓練模塊使用云服務的方式完成。
[0025] 第二方面，本發明實施例提供一種應用預啟動方法，所述方法包括：
[0026] 獲取移動終端的情景上下文的原始數據；
[0027] 對預測所述移動終端即將啟動的應用所使用的模型進行決策，每個所述模型為基 于所述模型所對應維度的特征、W及所述移動終端具有所對應維度的特征時所運行的應用 訓練得到；
[0028] 基于所決策使用的至少一個模型對所述情景上下文的原始數據進行預測處理，得 到所述移動終端用戶即將啟動的至少一個應用，基于預測到的至少一個應用確定預啟動應 用；
[0029] 為所述預啟動應用分配硬件資源，基于所分配的硬件資源預加載所述預啟動應用 的數據，獲取網絡側對應所述預啟動應用的新數據更新預加載的所述至少一個應用的數 據。
[0030] 可選地，所述至少一個模型包括觸發模型；
[0031] 所述基于所決策使用的至少一個模型對所述情景上下文的原始數據進行預測處 理，得到所述移動終端用戶即將啟動的至少一個應用，基于預測到的至少一個應用確定預 啟動應用，包括：
[0032] 基于所決策使用的所述觸發模型進行預測處理W確定待啟動應用對應的觸發特 征;所述觸發特征表征應用集合中各待啟動應用在啟動應用之后被所述移動終端用戶啟動 的概率，所述啟動應用為所述移動終端中啟動的應用；
[0033] 選取所述應用集合中觸發特征滿足預設條件的待啟動應用為所述預啟動應用。
[0034] 可選地，所述至少一個模型包括位置模型；
[0035] 所述基于所決策使用的至少一個模型對所述情景上下文的原始數據進行預測處 理，得到所述移動終端用戶即將啟動的至少一個應用，基于預測到的至少一個應用確定預 啟動應用，包括：
[0036] 基于所決策使用的所述位置模型進行預測處理，確定待啟動應用對應的位置特 征;所述位置特征表征應用集合中各待啟動應用的預設啟動位置與所述移動終端所處位置 的相近程度；
[0037] 選取所述應用集合中位置特征滿足預設條件的待啟動應用為所述預啟動應用。
[0038] 可選地，所述至少一個模型包括時間模型；
[0039] 所述基于所決策使用的至少一個模型對所述情景上下文的原始數據進行預測處 理，得到所述移動終端用戶即將啟動的至少一個應用，基于預測到的至少一個應用確定預 啟動應用，包括：
[0040] 基于所決策使用的所述時間模型進行預測處理W確定待啟動應用對應的頻度特 征，所述頻度特征表征應用集合中各待啟動應用在當前時刻被所述移動終端使用的頻度；
[0041] 選取所述應用集合中頻度特征滿足預設條件的待啟動應用為所述預啟動應用。
[00創可選地，
[0043] 所述方法還包括：
[0044] 解析所述移動終端的情景上下文的歷史原始數據得到所述移動終端在至少一個 維度下的特征；
[0045] 基于所述至少一個維度下的特征對相應維度的模型進行訓練，所述訓練為在所述 移動終端側完成，或為所述移動終端使用云服務的方式完成。
[0046] 本發明實施例中，基于情景上下文對用戶即將啟動的應用也即預啟動應用進行預 ，并對預啟動應用進行啟動(包括內存中預加載App和內容更新），避免了在用戶啟動應用 時才對應用進行加載，節省了用戶啟動應用的等待時間，而且保證應用中內容的時效性，也 避免將大量應用預加載對移動終端的硬件資源的消耗。
【附圖說明】
[0047] 圖1為實現本發明各個實施例的一個可選的移動終端的硬件結構示意圖；
[0048] 圖2為如圖1所示的移動終端100的無線通信系統示意圖；
[0049] 圖3為本發明第一至=實施例提供的一個可選的移動終端的模塊示意圖；
[0050] 圖4為本發明第四實施例提供的一個可選的移動終端的模塊示意圖；
[0051] 圖5為本發明第五實施例提供的一個可選的應用預啟動的方法的流程示意圖；
[0052] 圖6為本發明第六實施例提供的一個可選的應用預啟動的方法的流程示意圖；
[0053] 圖7為本發明第屯實施例提供的一個可選的應用預啟動的方法的流程示意圖；
[0054] 圖8為本發明第八實施例提供的一個可選的應用預啟動的方法的流程示意圖。
【具體實施方式】
[0055] 應當理解，此處所描述的具體實施例僅僅用W解釋本發明的技術方案，并不用于 限定本發明的保護范圍。
[0056] 現在將參考附圖描述實現本發明各個實施例的移動終端。在后續的描述中，使用 用于表示元件的諸如"模塊"、"部件"或"單元"的后綴僅為了有利于本發明的說明，其本身 并沒有特定的意義。因此，"模塊"與"部件"可W混合地使用。
[0057] 移動終端可W W各種形式來實施。例如，本發明中描述的終端可W包括諸如移動 電話、智能電話、筆記本電腦、數字廣播接收器、個人數字助理(PDA)、平板電腦(PAD)、便攜 式多媒體播放器(PMP)、導航裝置等等的移動終端W及諸如數字TV、臺式計算機等等的固定 終端。下面，假設終端是移動終端。然而，本領域技術人員將理解的是，除了特別用于移動目 的的元件之外，根據本發明的實施方式的構造也能夠應用于固定類型的終端。
[005引圖1為實現本發明各個實施例的一個可選的移動終端100的硬件結構示意，如圖1 所示，移動終端100可W包括無線通信單元110、輸出單元150、存儲器160、控制器180和電源 單元190等等。圖1示出了具有各種組件的移動終端100,但是應理解的是，并不要求實施所 有示出的組件。可W替代地實施更多或更少的組件。將在下面詳細描述移動終端100的元 件。
[0059] 無線通信單元110通常包括一個或多個組件，其允許移動終端100與無線通信系統 或網絡之間的無線電通信。例如，無線通信單元110可W包括移動通信模塊112、無線互聯網 模塊113和位置信息模塊115中的至少一個。
[0060] 移動通信模塊112將無線電信號發送到基站(例如，接入點、節點B等等）、外部終端 W及服務器中的至少一個和/或從其接收無線電信號。運樣的無線電信號可W包括語音通 話信號、視頻通話信號、或者根據文本和/或多媒體消息發送和/或接收的各種類型的數據。
[0061] 無線互聯網模塊113支持移動終端100的無線互聯網接入。無線互聯網模塊113可 W內部或外部地禪接到終端。無線互聯網模塊113所設及的無線互聯網接入技術可W包括 無線局域網（WLAN)、無線相容性認證（Wi-Fi)、無線寬帶（Wibro)、全球微波互聯接入 (Wimax)、高速下行鏈路分組接入化SDPA)等等。
[0062] 位置信息模塊115是用于檢查或獲取移動終端100的位置信息的模塊。位置信息模 塊115的典型示例是全球定位系統(GPS)模塊115。根據當前的技術，GPS模塊115計算來自S 個或更多衛星的距離信息和準確的時間信息并且對于計算的信息應用=角測量法，從而根 據經度、締度和高度準確地計算=維當前位置信息。當前，用于計算位置和時間信息的方法 使用=顆衛星并且通過使用另外的一顆衛星校正計算出的位置和時間信息的誤差。此外， GPS模塊115能夠通過實時地連續計算當前位置信息來計算速度信息。
[0063] 輸出單元150被構造為W視覺、音頻和/或觸覺方式提供輸出信號（例如，音頻信 號、視頻信號、警報信號、振動信號等等）。輸出單元150可W包括顯示單元151，另外還可包 括音頻輸出模塊、警報單元等等。
[0064] 顯示單元151可W顯示在移動終端100中處理的信息。例如，當移動終端100處于電 話通話模式時，顯示單元151可W顯示與通話或其它通信(例如，文本消息收發、多媒體文件 下載等等)相關的用戶界面(UI)或圖形用戶界面(GUI)。當移動終端100處于視頻通話模式 或者圖像捕獲模式時，顯示單元151可W顯示捕獲的圖像和/或接收的圖像、示出視頻或圖 像W及相關功能的UI或GUI等等。
[0065] 同時，當顯示單元151和觸摸板W層的形式彼此疊加 W形成觸摸屏時，顯示單元 151可W用作輸入裝置和輸出裝置。顯示單元151可W包括液晶顯示器化CD)、薄膜晶體管 LCD(TFT-LCD)、有機發光二極管(OLED)顯示器、柔性顯示器、S維(3D)顯示器等等中的至少 一種。運些顯示器中的一些可W被構造為透明狀W允許用戶從外部觀看，運可W稱為透明 顯示器，典型的透明顯示器可W例如為TOLED(透明有機發光二極管）顯示器等等。根據特定 想要的實施方式，移動終端100可W包括兩個或更多顯示單元(或其它顯示裝置），例如，移 動終端100可W包括外部顯示單元(未示出）和內部顯示單元(未示出）。觸摸屏可用于檢測 觸摸輸入壓力W及觸摸輸入位置和觸摸輸入面積。
[0066] 存儲器160可W存儲由控制器180執行的處理和控制操作的軟件程序等等，或者可 W暫時地存儲已經輸出或將要輸出的數據(例如，電話簿、消息、靜態圖像、視頻等等）。而 且，存儲器160可W存儲關于當觸摸施加到觸摸屏時輸出的各種方式的振動和音頻信號的 數據。
[0067] 存儲器160可W包括至少一種類型的存儲介質，所述存儲介質包括閃存、硬盤、多 媒體卡、卡型存儲器(例如，SD或DX存儲器等等）、隨機訪問存儲器(RAM)、靜態隨機訪問存儲 器（SRAM)、只讀存儲器(ROM)、電可擦除可編程只讀存儲器化EPROM)、可編程只讀存儲器 (PROM)、磁性存儲器、磁盤、光盤等等。而且，移動終端100可W與通過網絡連接執行存儲器 160的存儲功能的網絡存儲裝置協作。
[0068] 控制器180通常控制移動終端100的總體操作。例如，控制器180執行與語音通話、 數據通信、視頻通話等等相關的控制和處理。另外，控制器180可W包括用于再現或回放多 媒體數據的多媒體模塊181，多媒體模塊181可W構造在控制器180內，或者可W構造為與控 制器180分離。控制器180可W執行模式識別處理，W將在觸摸屏上執行的手寫輸入或者圖 片繪制輸入識別為字符或圖像。
[0069] 電源單元190在控制器180的控制下接收外部電力或內部電力并且提供操作各元 件和組件所需的適當的電力。
[0070] 運里描述的各種實施方式可W W使用例如計算機軟件、硬件或其任何組合的計算 機可讀介質來實施。對于硬件實施，運里描述的實施方式可W通過使用特定用途集成電路 (ASIC)、數字信號處理器(DSP)、數字信號處理裝置(DSPD)、可編程邏輯裝置(PLD)、現場可 編程口陣列(FPGA)、處理器、控制器、微控制器、微處理器、被設計為執行運里描述的功能的 電子單元中的至少一種來實施，在一些情況下，運樣的實施方式可W在控制器180中實施。 對于軟件實施，諸如過程或功能的實施方式可W與允許執行至少一種功能或操作的單獨的 軟件模塊來實施。軟件代碼可W由W任何適當的編程語言編寫的軟件應用程序(或程序)來 實施，軟件代碼可W存儲在存儲器160中并且由控制器180執行。
[0071] 至此，已經按照其功能描述了移動終端。下面，為了簡要起見，將描述諸如折疊型、 直板型、擺動型、滑動型移動終端等等的各種類型的移動終端中的滑動型移動終端作為示 例。因此，本發明能夠應用于任何類型的移動終端，并且不限于滑動型移動終端。
[0072] 如圖1中所示的移動終端100可W被構造為利用經由帖或分組發送數據的諸如有 線和無線通信系統W及基于衛星的通信系統來操作。
[0073]
[0074] 現在將參考圖2描述其中根據本發明的移動終端100能夠操作的通信系統。
[0075] 運樣的通信系統可W使用不同的空中接口和/或物理層。例如，由通信系統使用的 空中接口包括例如頻分多址(FDMA)、時分多址(TDMA)、碼分多址（CDMA)和通用移動通信系 統(UMTS)(特別地，長期演進化TE))、全球移動通信系統(GSM)等等。作為非限制性示例，下 面的描述設及CDM通信系統，但是運樣的教導同樣適用于其它類型的系統。
[0076] 參考圖2，CDMA無線通信系統可W包括多個移動終端100、多個基站(BS)270、基站 控制器(BS0 275和移動交換中屯、(MSC)280dMSC 280被構造為與公共電話交換網絡(PSTN) 290形成接口。MSC 280還被構造為與可W經由回程線路禪接到基站270的BSC 275形成接 口。回程線路可W根據若干己知的接口中的任一種來構造，所述接口包括例如E1/TUATM、 IP、PPP、帖中繼、皿SUAD化或xDSL。將理解的是，如圖2中所示的系統可W包括多個BSC 2750。
[0077] 每個BS 270可W服務一個或多個分區（或區域），由多向天線或指向特定方向的天 線覆蓋的每個分區放射狀地遠離BS 270。或者，每個分區可W由用于分集接收的兩個或更 多天線覆蓋。每個BS 270可W被構造為支持多個頻率分配，并且每個頻率分配具有特定頻 譜（例女日，1.25MHz，SMHz等等）。
[0078] 分區與頻率分配的交叉可W被稱為CDMA信道。BS 270也可W被稱為基站收發器子 系統(BTS)或者其它等效術語。在運樣的情況下，術語"基站"可W用于籠統地表示單個BSC 275和至少一個BS 270。基站也可W被稱為"蜂窩站"。或者，特定BS 270的各分區可W被稱 為多個蜂窩站。
[0079] 如圖2中所示，廣播發射器(BT)295將廣播信號發送給在系統內操作的移動終端 100。在圖2中，示出了幾個衛星300,例如可W采用全球定位系統(GPS)衛星300。衛星300幫 助定位多個移動終端100中的至少一個。
[0080] 在圖2中，描繪了多個衛星300,但是理解的是，可W利用任何數目的衛星獲得有用 的定位信息。如圖1中所示的GI^模塊115通常被構造為與衛星300配合W獲得想要的定位信 息。替代GPS跟蹤技術或者在GPS跟蹤技術之外，可W使用可W跟蹤移動終端100的位置的其 它技術。另外，至少一個GPS衛星300可W選擇性地或者額外地處理衛星DMB傳輸。
[0081] 作為無線通信系統的一個典型操作，BS 270接收來自各種移動終端100的反向鏈 路信號。移動終端100通常參與通話、消息收發和其它類型的通信。特定基站270接收的每個 反向鏈路信號被在特定BS 270內進行處理。獲得的數據被轉發給相關的BSC 275"BSC提供 通話資源分配和包括BS 270之間的軟切換過程的協調的移動管理功能。BSC275還將接收到 的數據路由到MSC 280，其提供用于與PSTN 290形成接口的額外的路由服務。類似地，PSTN 290與MSC 280形成接口，MSC與BSC 275形成接口，并且BSC 275相應地控制BS 270W將正向 鏈路信號發送到移動終端100。
[0082] 移動終端中無線通信單元110的移動通信模塊112基于移動終端內置的接入移動 通信網絡（如2G/3G/4G等移動通信網絡）的必要數據(包括用戶識別信息和鑒權信息）接入 移動通信網絡為移動終端用戶的網頁瀏覽、網絡多媒體播放等業務傳輸移動通信數據(包 括上行的移動通信數據和下行的移動通信數據）。
[0083] 無線通信單元110的無線互聯網模塊113通過運行無線熱點的相關協議功能而實 現無線熱點的功能，無線熱點支持多個移動終端(移動終端之外的任意移動終端)接入，通 過復用移動通信模塊112與移動通信網絡之間的移動通信連接為移動終端用戶的網頁瀏 覽、網絡多媒體播放等業務傳輸移動通信數據(包括上行的移動通信數據和下行的移動通 信數據），由于移動終端實質上是復用移動終端與通信網絡之間的移動通信連接傳輸移動 通信數據的，因此移動終端消耗的移動通信數據的流量由通信網絡側的計費實體計入移動 終端的通信資費，從而消耗移動終端簽約使用的通信資費中包括的移動通信數據的數據流 量。
[0084] 基于上述移動終端硬件結構W及通信系統，提出本發明各個實施例。
[0085] 實施例一
[0086] 如圖3所示，本發明實施例一提供一種移動終端100,包括:情景上下文模塊10、特 征提取模塊30、決策模塊20、處理追蹤模塊50和模型訓練模塊40，W下對各模塊進行說明。
[0087] 情景上下文模塊10,用于獲取移動終端的情景上下文的原始數據，例如，獲取最近 的統計時段(如最近的1小時、最近的10分鐘）內的情景上下文的原始數據，包括移動終端 在統計時段內所運行的應用，本實施例中稱為啟動應用。
[0088] 決策模塊20,用于對預測所述移動終端即將啟動的應用所使用的模型進行決策， 本實施例中，W決策模塊20決策使用與觸發特征運一維度下的特征對應的觸發模型為例進 行說明，所述觸發特征表征應用集合中各待啟動應用（除了啟動應用)在啟動應用之后被所 述移動終端用戶啟動的概率，啟動應用為所述移動終端中當前觸發并處于前臺運行狀態的 應用，數量為一個或多個。
[0089] 例如，設移動終端當前正在運行的應用的集合為F，應用的集合為T，那么，當移動 終端當前正在運行的應用為appa時，應用集合T中的appTt在appa之后啟動的概率為；
[0090] ft = P(F = a|TGTt)I(Tt) (1)
[0091] 其中Tt表示觸發集合，比如（微信、微博、淘寶的等應用），I(x)表示預測函數，app a若在app T之后啟動，I(X)值為1，否則I(X)為0。
[0092] 觸發特征表征了會話中被用戶順序啟動的應用的關聯性，會話與用戶連續使用不 同應用的情景對應，會話包括有至少兩個被用戶順序觸發的應用，特別地，后觸發的應用為 在先觸發的應用中觸發運行。
[0093] 在一個會話的示例中，會話包括應用1和應用2,其中應用1為網絡購物應用，應用2 為網絡支付應用，對應用戶在應用1中下訂單并啟動應用2進行支付的情景。
[0094] 在一個會話的示例中，會話包括應用3和應用4,其中應用3為新聞閱讀應用，應用4 為社交應用，對應用戶在應用3中瀏覽新聞并啟動應用4在社交網絡分享新聞的情景。
[00M] 訓練觸發模型的過程如下。
[0096] 特征提取模塊30解析移動終端的情景上下文的歷史原始數據，得到移動終端運行 的應用對應的觸發特征，情景上下文的歷史原始數據的時間區間與前述的統計時段的情景 上下文的原始數據對應的時間區間不同，一般地，情景上下文的歷史原始數據的時間區間 大于統計時段，例如可W為移動終端最近1個月或1周的情景上下文的歷史原始數據。
[0097] 模型訓練模塊40利用特征提取模塊30提取的觸發特征構造樣本用W對觸發模型 進行訓練。
[0098] 模型訓練模塊40可W將構造的樣本發送至云端服務器，使用云端服務器提供的云 服務完成觸發模型的訓練W節省移動終端的計算資源。或者，模型訓練模塊40可W利用樣 本在移動終端側完成對觸發模型的訓練，避免用戶使用應用的隱私泄露。
[0099] W基于神經網絡訓練觸發模型為例進行說明，觸發模型可W視為情景上下文的原 始數據(包括移動終端在統計時段內所運行的應用)與觸發特征的映射關系，映射關系通過 觸發模型的模型參數來描述，例如基于模型參數al、bl、cl(模型參數的數量僅為示例)設定 運樣的待訓練的觸發模型：
[0100] 觸發特征=^31，61，(：1，情景上下文的歷史原始數據）；其中'為選定的用于描述 映射關系的函數，通過構成運樣的樣本：
[0101 ]樣本1:(情景上下文的歷史原始數據1、觸發特征1);
[0102]樣本2:(情景上下文的歷史原始數據2、觸發特征2);
[0103] 將構造的樣本輸入上述的待訓練的觸發模型，對觸發模型的模型參數進行訓練， 也即是確定模型參數al、bl、cl的取值。
[0104] 訓練完成的觸發模型可W用于供所述決策模塊20對所述移動終端的統計時段的 情景上下文的原始數據進行觸發維度的預測處理，得到對應統計時段內的啟動應用（統計 時段內移動終端所運行的應用）的觸發特征，由于觸發特征表征應用集合中各待啟動應用 在所述啟動應用之后被所述移動終端用戶啟動的概率，因此可W選取所述應用集合中觸發 特征滿足預設條件的待啟動應用為所述預啟動應用，例如選取概率滿足預設概率條件的應 用為即將啟動應用。例如，選取概率最高的一個或多個應用，選取概率大于零的全部應用， 選取的數量可W根據移動終端當前可供分配的硬件資源確定。
[0105] 處理追蹤模塊50,用于為所述預啟動應用分配硬件資源，例如分配內存、處理器資 源(處理器運算資源的占用率），基于所分配的硬件資源預加載所述預啟動應用的數據，如 應用中的獲取網絡側對應所述即將啟動的至少一個所述應用的新數據更新預加載的所述 至少一個應用的數據。
[0106] 本實施例具有W下有益效果：
[0107] 基于觸發模型確定各未啟動應用與當前運行應用能夠形成會話的概率，由于觸發 模型是基于在不同情景中對應的觸發特征訓練形成，因此所預測的概率符合預設條件的預 啟動應用最符合用戶進行會話式操作時的使用習慣，是用戶后續最有可能啟動的應用，通 過預加載所預測的預啟動應用，后續用戶一旦觸發啟動所預加載的應用，則可即時將應用 切換到前臺運行，避免了啟動的等待時間，且應用的數據已經與網絡側同步更新，保證了應 用中內容的時效性，無需用戶手動更新。
[010引實施例二
[0109] 如圖3所示，本發明實施例提供一種移動終端100,包括:情景上下文模塊10、特征 提取模塊30、決策模塊20、處理追蹤模塊50和模型訓練模塊40，W下對各模塊進行說明。該 第二實施例與上述第一實施例之間的區別在于，所述至少一個模型包括位置模型。
[0110] 情景上下文模塊10,用于獲取移動終端在統計時段內的情景上下文的原始數據， 例如，獲取最近的統計時段(如最近的1小時、最近的10分鐘）內的情景上下文的原始數據， 包括移動終端在不同位置所運行的應用。位置可W采用圖1中示出的位置信息模塊獲取，移 動終端的位置采用經締度坐標、位置區間（如W百平方米、千平方米的地理方格的形式）。
[0111] 決策模塊20，用于對預測所述移動終端即將啟動的應用所使用的模型進行決策， 本實施例中，W決策模塊20決策使用與位置特征運一維度下的特征對應的位置模型為例進 行說明，
[0112] 位置特征用戶描述:對于移動終端當前所處的位置，與應用集合中各待啟動應用 的預設啟動位置與該位置的相近程度，應用集合中各待啟動應用的預設啟動位置是指在移 動終端曾經運行的待啟動應用（如運行頻率最高的一個或多個待啟動應用）時所處的位 置。
[0113] 位置特征的一個示例為：
[0114]
(2)
[0115] 其中A表示移動終端的當前位置，1。表示位置集合C(比如家庭、公司）的中屯、位置， 位置集合C中的每個位置對應用戶在該位置使用的應用，例如，用戶在家中經常使用玩游戲 或視頻應用，在工作位置使用商務社交應用、郵箱或瀏覽器等應用，在戶外使用照相機、圖 片編輯應用等。
[0116] 訓練位置模型的過程如下。
[0117] 特征提取模塊30從移動終端的情景上下文的歷史原始數據中提取對應不同位置 的位置特征。情景上下文的歷史原始數據的時間區間與前述的統計時段的情景上下文的原 始數據對應的時間區間不同，一般地，情景上下文的歷史原始數據的時間區間大于統計時 段，例如可W為移動終端最近1個月或1周的情景上下文的歷史原始數據。
[0118] W基于神經網絡訓練位置模型為例進行說明，位置模型可W視為情景上下文的原 始數據(包括移動終端在不同位置所運行的應用)與位置特征的映射關系，映射關系通過位 置模型的模型參數來描述，例如基于模型參數a2、b2、c2(模型參數的數量僅為示例)設定運 樣的待訓練的位置模型：
[0119] 位置特征=旨(曰2,62,〇2，情景上下文的歷史原始數據）；其中旨為選定的用于描述 映射關系的函數，通過構成運樣的樣本：
[0120] 樣本1:(情景上下文的歷史原始數據3、位置特征1);
[0121] 樣本2:(情景上下文的歷史原始數據4、位置特征2);
[0122] 將構造的樣本輸入上述的待訓練的位置模型，對位置模型的模型參數進行訓練， 也即是確定模型參數a2、b2、c2的取值。
[0123] 模型訓練模塊40利用特征提取模塊30提取的位置特征構造樣本用W對位置模型 進行訓練，模型訓練模塊40可W將樣本發送至云端服務器，使用云端服務器提供的云服務 完成位置模型的訓練W節省移動終端的計算資源。或者，模型訓練模塊40可W利用構造的 樣本在移動終端側完成對位置模型的訓練，避免用戶的位置的隱私泄露。
[0124] 訓練完成的位置模型可W用于供所述決策模塊20對所述移動終端在統計時段的 情景上下文的原始數據進行預測處理，得到對應統計時段內對應移動終端所處位置的位置 特征，由于位置特征表征應用集合中各待啟動應用（除啟動應用）的預設啟動位置與移動終 端當前所處位置的相近程度，因此可W選取應用集合中位置特征滿足預條件的待啟動應用 為預啟動應用。例如，選取相近程度最高的一個待啟動應用，或選取相近程度最高的多個待 啟動應用，選取的數量可W根據移動終端當前可供分配的硬件資源確定。
[0125] 處理追蹤模塊50,用于為所述即將啟動的至少一個應用分配硬件資源，例如分配 內存、處理器資源(處理器運算資源的占用率），基于所分配的硬件資源預加載所述預啟動 應用的數據，如應用中的獲取網絡側對應所述即將預啟動應用的新數據更新預加載的所述 至少一個應用的數據。
[0126] 本實施例具有W下有益效果：
[0127] 基于位置模型預測移動終端所處位置對該位置移動終端可能運行的應用進行預 ，由于位置模型是利用用戶在不同位置對應的位置特征訓練得到，因此所預測的預啟動 應用最符合用戶在當前位置的使用習慣，是用戶后續在當前位置啟動概率最高的應用，通 過預加載所預測的預啟動應用，后續用戶一旦觸發啟動所預加載的預啟動應用，則可即時 將應用切換到前臺運行，避免了啟動的等待時間，且應用的數據已經與網絡側同步更新，保 證了應用中內容的時效性。
[012引實施例S
[0129] 如圖3所示，本發明實施例提供一種移動終端，包括:情景上下文模塊10、特征提取 模塊30、決策模塊20、處理追蹤模塊50和模型訓練模塊40, W下對各模塊進行說明。該第二 實施例與上述第一實施例之間的區別在于，所述至少一個模型包括時間模型。
[0130] 情景上下文模塊10,用于獲取移動終端在統計時段內的情景上下文的原始數據， 例如，獲取最近的統計時段(如最近的1小時、最近的10分鐘）內的情景上下文的原始數據， 包括統計時段內各窗口時間用戶通過移動終端使用的應用、使用各應用的次數（W前臺狀 態運行的次數）、W及每次使用的時長。
[0131] 本實施例中W當前時刻所處的窗口時間為例進行說明，窗口時間是統計時段內連 續的時間段，持續時間可W為1小時、1天等，對此不做限定。
[0132] 決策模塊20,用于對預測所述移動終端即將啟動的應用所使用的模型進行決策， 本實施例中，W決策模塊20決策使用與頻度特征對應的時間模型為例進行說明，頻度特征 表征:對于每個窗口時間，在該窗口時間內用戶曾經使用應用的頻度，頻度是對用戶使用應 用的時間、次數、W及每次使用的時長等信息的綜合度量。
[0133]對于appP，對應的頻度特征時的一個示例為：
[0134] 時=(n/w)At (3)
[0135] 在窗口時間內會出現一些頻度使用的app，比如熱口游戲、社交應用、視頻應用等， 其關鍵因素有窗口時間W、窗口時間W內使用appP的次數n和每次使用appP的時長A t。
[0136] 訓練時間模型的過程如下。
[0137] 特征提取模塊30從移動終端的情景上下文的歷史原始數據中提取對應窗口時間 的頻度特征，情景上下文的歷史原始數據的時間區間與前述的統計時段的情景上下文的原 始數據對應的時間區間不同，一般地，情景上下文的歷史原始數據的時間區間大于統計時 段，例如可W為移動終端最近1個月或1周的情景上下文的歷史原始數據。
[0138] W基于神經網絡訓練時間模型為例進行說明，時間模型可W視為情景上下文的原 始數據與頻度特征的映射關系，情景上下文的原始數據包括統計時段內各窗口時間用戶通 過移動終端使用的應用、使用各應用的次數（W前臺狀態運行的次數）、W及每次使用的時 長），映射關系通過時間模型的模型參數來描述，例如基于模型參數a3、b3、c3(模型參數的 數量僅為示例)設定運樣的待訓練的時間模型：
[0139] 頻度特征=11(曰3,63,〇3，情景上下文的歷史原始數據）；其中11為選定的用于描述 映射關系的函數，通過構成運樣的樣本：
[0140] 樣本1:(情景上下文的歷史原始數據5、頻度特征1);
[0141] 樣本2:(情景上下文的歷史原始數據6、頻度特征2);
[0142] 將構造的樣本輸入上述的待訓練的時間模型，對時間模型的模型參數進行訓練， 也即是確定模型參數a3、b3、c3的取值。
[0143] 模型訓練模塊40利用特征提取模塊30提取的頻度特征構造樣本用W對時間模型 進行訓練，模型訓練模塊40可W將構造的樣本發送至云端服務器，使用云端服務器提供的 云服務完成位置模型的訓練W節省移動終端的計算資源。或者，模型訓練模塊40可W利用 構造的樣本在移動終端側完成對位置模型的訓練，避免用戶使用應用的情況泄露。
[0144] 訓練完成的時間模型可W用于供所述決策模塊20對所述移動終端進行預測處理， 確定當前時刻所處窗口時間的頻度特征，頻度特征表征應用集合中各待啟動應用（除啟動 應用)在當前窗口時間被使用的次數、每次使用的時長(也就是在當前窗口時間累計的使用 時長），選取應用集合中頻度特征滿足預設條件的待啟動應用為預啟動應用。例如，選取當 前窗口時間的頻度特征最高的一個待啟動應用，或選取當前窗口時間的頻度特征最高的多 個待啟動應用，選取的數量可W根據移動終端當前可供分配的硬件資源確定。
[0145] 處理追蹤模塊50,用于為所述預啟動應用分配硬件資源，例如分配內存、處理器資 源(處理器運算資源的占用率），基于所分配的硬件資源預加載所述即將啟動的至少一個應 用的數據，如應用中的獲取網絡側對應所述即將預啟動應用的新數據更新預加載的預啟動 應用的數據。
[0146] 本實施例具有W下有益效果：
[0147] 基于時間模型對預測與移動終端所處位置使用的應用進行預測，由于位置模型是 基于移動終端在不同位置的頻度特征訓練得到，因此所預測的預啟動應用是用戶在當前窗 口時間累計使用時間最長的應用，通過預加載所預測的預啟動應用，后續用戶一旦觸發啟 動所預加載的預啟動應用，則可即時將應用切換到前臺運行，避免了啟動的等待時間，且應 用的數據已經與網絡側同步更新，保證了應用中內容的時效性。
[014引實施例四
[0149] 除前述實施例記載的從情景上下文的歷史原始數據中提取觸發特征、位置特征和 頻度特征訓練相應維度的模型外，還可W提取運動狀態(如步行狀態、跑步狀態，利用加速 度傳感器、巧螺儀傳感器獲取傳感數據分析得到相應狀態）、外界狀態(溫度、光照等)等維 度下的特征W訓練相應維度的模型，并基于訓練的模型進行預測處理，得到所述移動終端 用戶即將啟動的至少一個應用。
[0150] 前述實施例W所訓練得到的一個模型預測移動終端即將啟動的應用為例進行說 明，為了提升預測移動終端用戶即將啟動的應用的準確性，還可W結合多個模型的預測結 果綜合判斷，圖4為本發明第四實施例提供的一個可選的移動終端的模塊示意圖，第四實施 例與上述第一實施例之間的區別在于，第四實施例中移動終端還包括分發器模塊60和內核 內存管理模塊70,其中決策模塊20、特征提取模塊30和模型訓練模塊40構成啟動預測器模 塊80。
[0151] 移動終端獲取的情景上下文的原始數據包括:移動終端的位置（W及在該位置運 行的應用）、會話(包括會話中使用的App)、窗口時間飽括在窗口時間內使用的應用的累積 時間）等維度的數據。
[0152] 特征提取模塊30從情景上下文的原始數據中提取多個維度下的特征，包括：
[0153] 1)觸發特征，表征應用集合中各待啟動應用（除了啟動應用)在啟動應用之后被所 述移動終端用戶啟動的概率，啟動應用為所述移動終端中當前觸發并處于前臺運行狀態的 應用，數量為一個或多個。
[0154] 2)位置特征，表征應用集合中各待啟動應用的預設啟動位置與所述移動終端所處 位置的相近程度。
[0155] 3)頻度特征，表征應用集合中各待啟動應用在當前時刻被所述移動終端使用的 頻度。
[0156] 4)運動狀態特征，對于不同的運動狀態，運動狀態特征表征移動終端處于不同的 運動狀態時應用集合中各待啟動應用的被啟動的概率。
[0157] 5)外界狀態特征，對于不同的外界狀態，外界狀態特征表征移動終端處于不同的 環境外界狀態時應用集合中各待啟動應用被啟動的概率。
[0158] 特征提取模塊30從情景上下文模塊40存儲的情景上下文的歷史原始數據(如最近 1月的數據）中提取前述的多個維度下的特征，模型訓練模塊40利用特征提取模塊提取的特 征訓練相應維度的模型，如利用觸發特征訓練觸發模型，利用位置特征訓練位置模型，W及 利用頻度特征訓練時間模型。
[0159] 預測需要啟動的應用的處理如下。
[0160] 決策模塊20決策使用哪些模型進行預測處理，W決策使用觸發模型、位置模型和 時間模型為例，對于情景上下文模塊獲取的情景上下文的原始數據(與前述的用戶訓練模 型的歷史原始數據的時間區間不同，如最近1小時或最近5分鐘的原始數據），利用所訓練的 模型進行預測處理，得到用戶即將啟動的應用在不同維度下的特征(也即預測結果），并綜 合不同維度下的特征確定用戶即將啟動的應用。
[0161] 1)對于觸發特征，表征對于移動終端當前所運行的應用，應用集合中各待啟動應 用后續被移動終端用戶啟動的概率。
[0162] 2)對于位置特征，表征對于移動終端當前所處的位置，與應用集合中各待啟動應 用的預設位置與與當前所處位置的相近程度。
[0163] 3)對于頻度特征，表征應用集合中各待啟動應用在當前時刻被所述移動終端使用 的頻度，頻度是對用戶使用應用的時間、次數、W及每次使用的時長的綜合度量。
[0164] 決策模塊20基于上述=個維度下的特征對用戶即將啟動的應用進行了預測，綜合 =個維度的預測結果確定用戶即將啟動的應用。
[0165] 在一個示例中，對于應用集合中的Appa，進行如下決策：
[0166] 1)檢測ft,確定Appa是否是預測出的在已啟動應用之后觸發的應用，也就是檢測 Appa對應的ft是否大于零。
[0167] 2)檢測林，確定Appa是否是預測出的移動終端當前位置中使用的應用，也就是檢 測Appa對應的fA是否大于零。
[0168] 3)檢測時，確定Appa是否為預測出的當前窗口時間頻度使用的應用，也就是檢測 Appa對應的時是否大于零。
[0169] Appa是否為即將啟動的應用決策的表達式如下：
[0170]
(斗）
[0171] 本實施例的有益效果如下：
[0172] 用戶使用移動終端的情景往往是交錯的，通過對應用集合中各待啟動應用在多個 維度下的特征綜合判斷，相對于使用一個維度下的特征對用戶即將啟動的應用進行更加精 確預測。
[0173] 運里需要指出的是：W上實施例的描述，與下述實施例的描述是類似的，具有同方 法實施例相似的有益效果，因此不做寶述。對于后續實施例中未披露的技術細節，請參照上 述實施例的描述而理解，為節約篇幅，因此不再寶述。
[0174] 實施例五
[0175] 參見圖5,本實施例記載的應用預啟動的方法包括W下步驟：
[0176] 步驟101，獲取移動終端的情景上下文的原始數據。
[0177] 步驟102,對預測所述移動終端即將啟動的應用所使用的模型進行決策，每個所述 模型為基于所述模型所對應維度下的特征、W及所述移動終端具有所對應維度下的特征時 所運行的應用訓練得到。
[0178] 步驟103,基于所決策使用的觸發模型進行預測處理W確定所述啟動應用對應的 觸發特征;所述觸發特征表征應用集合中各待啟動應用在啟動應用之后被所述移動終端用 戶啟動的概率，所述啟動應用為所述移動終端中啟動的應用。
[0179] 步驟104,選取所述應用集合中觸發特征滿足預設條件的待啟動應用為所述預啟 動應用。
[0180] 例如，基于所確定的觸發特征概率選取所述應用集合中概率滿足預設概率條件的 應用為所述預啟動應用。
[0181] 步驟105,為所述預啟動應用分配硬件資源，基于所分配的硬件資源預加載所述預 啟動應用的數據，獲取網絡側對應所述預啟動應用的新數據更新預加載的所述預啟動應用 的數據。
[0182] 本實施例具有W下有益效果：
[0183] 基于觸發模型確定各未啟動應用與當前運行應用能夠形成會話的概率，由于觸發 模型是基于在不同情景中對應的觸發特征訓練形成，因此所預測的概率符合預設條件的應 用最符合用戶進行會話式操作時的使用習慣，是用戶后續最有可能啟動的應用，通過預加 載所預測的應用，后續用戶一旦觸發啟動所預加載的應用，則可即時將應用切換到前臺運 行，避免了啟動的等待時間，且應用的數據已經與網絡側同步更新，保證了應用中內容的時 效性，無需用戶手動更新。
[0184] 實施例六
[0185] 參見圖6,該第六實施例與上述第五實施例之間的區別在于，所述至少一個模型包 括位置模型。本實施例記載的應用預啟動的方法包括W下步驟：
[0186] 步驟201，獲取移動終端的情景上下文的原始數據。
[0187] 步驟202,對預測所述移動終端即將啟動的應用所使用的模型進行決策，每個所述 模型為基于所述模型所對應維度下的特征、W及所述移動終端具有所對應維度下的特征時 所運行的應用訓練得到。
[0188] 步驟203,基于所決策使用的位置模型對進行預測處理，確定待啟動應用對應的位 置特征;所述位置特征表征應用集合中各待啟動應用的預設啟動位置與所述移動終端所處 位置的相近程度。
[0189] 步驟204,選取所述應用集合中位置特征滿足預設條件的待啟動應用為所述預啟 動應用。
[0190] 例如，基于確定的位置特征選取所述應用集合中相近程度滿足預設相近程度條件 的應用為所述預啟動應用。
[0191] 步驟205,為所述預啟動應用分配硬件資源，基于所分配的硬件資源預加載所述預 啟動應用的數據，獲取網絡側對應所述預啟動應用的新數據更新預加載的所述預啟動應用 的數據。
[0192] 本實施例具有W下有益效果：
[0193] 基于位置模型預測移動終端所處位置對該位置移動終端可能運行的應用進行預 ，由于位置模型是利用用戶在不同位置對應的位置特征訓練得到，因此所預測的應用最 符合用戶在當前位置的使用習慣，是用戶后續在當前位置啟動概率最高的應用，通過預加 載所預測的應用，后續用戶一旦觸發啟動所預加載的應用，則可即時將應用切換到前臺運 行，避免了啟動的等待時間，且應用的數據已經與網絡側同步更新，保證了應用中內容的時 效性。
[0194] 實施例屯
[01M]參見圖7,該第屯實施例與上述第五實施例之間的區別在于，所述至少一個模型包 括時間模型。本實施例記載的應用預啟動的方法包括W下步驟：
[0196] 步驟301，獲取移動終端的情景上下文的原始數據。
[0197] 步驟302,對預測所述移動終端即將啟動的應用所使用的模型進行決策，每個所述 模型為基于所述模型所對應維度下的特征、W及所述移動終端具有所對應維度下的特征時 所運行的應用訓練得到。
[0198] 步驟303,基于所決策使用的所述時間模型進行預測處理W確定待啟動應用對應 的頻度特征，所述頻度特征表征應用集合中各待啟動應用在當前時刻被所述移動終端使用 的頻度。
[0199] 步驟304,選取所述應用集合中頻度特征滿足預設條件的待啟動應用為所述預啟 動應用。
[0200] 步驟305,為所述預啟動應用分配硬件資源，基于所分配的硬件資源預加載所述預 啟動應用的數據，獲取網絡側對應所述預啟動應用的新數據更新預加載的所述預啟動應 用的數據。
[0201 ]實施例八
[0202] 參見圖8,該第八實施例與上述第五實施例之間的區別在于，所述方法還包括基于 模型進行訓練。本實施例記載的應用預啟動的方法包括W下步驟：
[0203] 步驟401，解析所述移動終端的情景上下文的歷史原始數據得到所述移動終端在 至少一個維度下的特征。
[0204] 步驟402,從所述移動終端的情景上下文的歷史原始數據中提取對應所述至少一 個維度下的特征，基于所述至少一個維度下的特征對相應維度的模型進行訓練，所述訓練 為在所述移動終端側完成，或為所述移動終端使用云服務的方式完成。
[0205] 步驟403,獲取移動終端的情景上下文的原始數據。
[0206] 步驟404,對預測所述移動終端即將啟動的應用所使用的模型進行決策，每個所述 模型為基于所述模型所對應維度下的特征、W及所述移動終端具有所對應維度下的特征時 所運行的應用訓練得到。
[0207] 步驟405,基于所決策使用的至少一個模型對所述情景上下文的原始數據進行預 測處理，得到移動終端用戶即將啟動的至少一個應用。
[0208] 示例性地，包括W下幾種情況：
[0209] 1)基于所決策使用的觸發模型進行預測處理W確定所述啟動應用對應的觸發特 征;所述觸發特征表征應用集合中各待啟動應用在啟動應用之后被所述移動終端用戶啟動 的概率，所述啟動應用為所述移動終端中啟動的應用。選取所述應用集合中觸發特征滿足 預設條件的待啟動應用為所述預啟動應用，如基于所確定的概率選取所述應用集合中概率 滿足預設概率條件的至少一個應用。
[0210] 2)基于所決策使用的位置模型對進行預測處理，確定對應所述移動終端當前位置 的位置特征;所述位置特征表征應用集合中各待啟動應用的預設啟動位置與所述移動終端 所處位置的相近程度;選取所述應用集合中位置特征滿足預設條件的待啟動應用為所述預 啟動應用。
[0211] 3)基于所觸發使用的時間模型進行預測處理W確定對應當前時刻所處窗口時間 的頻度特征，所述頻度特征表征應用集合中各待啟動應用在當前時刻被所述移動終端使用 的頻度。選取所述應用集合中頻度特征滿足預設條件的待啟動應用為所述預啟動應用。
[0212] 除前述從情景上下文的歷史原始數據中提取觸發特征、時間特征和頻度特征訓練 相應維度的模型外，還可W提取運動狀態(如步行狀態、跑步狀態，利用加速度傳感器、巧螺 儀傳感器獲取傳感數據分析得到相應狀態）、外界狀態(溫度、光照等)等維度下的特征W訓 練相應維度的模型，并基于訓練的模型進行預測處理，得到所述移動終端用戶即將啟動的 至少一個應用。
[0213] 步驟406,基于全部維度的預測結果，選取應用集合中在全部所述維度為所述移動 終端用戶即將啟動的應用為所述預啟動應用。
[0214] 步驟407,為所述預啟動應用分配硬件資源，基于所分配的硬件資源預加載所述預 啟動應用的數據，獲取網絡側對應所述預啟動應用的新數據更新預加載的所述預啟動應用 的數據。
[0215] 本實施例的有益效果如下：
[0216] 用戶使用移動終端的情景往往是交錯的，通過對應用集合中各應用在多個維度的 特征綜合判斷，相對于使用一個維度的特征對用戶即將啟動的應用進行更加精確預測。
[0217] 應理解，說明書通篇中提到的"一個實施例"或"一實施例"意味著與實施例有關的 特定特征、結構或特性包括在本發明的至少一個實施例中。因此，在整個說明書各處出現的 "在一個實施例中"或"在一實施例中"未必一定指相同的實施例。此外，運些特定的特征、結 構或特性可W任意適合的方式結合在一個或多個實施例中。應理解，在本發明的各種實施 例中，上述各過程的序號的大小并不意味著執行順序的先后，各過程的執行順序應W其功 能和內在邏輯確定，而不應對本發明實施例的實施過程構成任何限定。上述本發明實施例 序號僅僅為了描述，不代表實施例的優劣。
[0218] 需要說明的是，在本文中，術語"包括"、"包含"或者其任何其他變體意在涵蓋非排 他性的包含，從而使得包括一系列要素的過程、方法、物品或者裝置不僅包括那些要素，而 且還包括沒有明確列出的其他要素，或者是還包括為運種過程、方法、物品或者裝置所固有 的要素。在沒有更多限制的情況下，由語句"包括一個……"限定的要素，并不排除在包括該 要素的過程、方法、物品或者裝置中還存在另外的相同要素。
[0219] 在本申請所提供的幾個實施例中，應該理解到，所掲露的設備和方法，可W通過其 它的方式實現。W上所描述的設備實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為 一種邏輯功能劃分，實際實現時可W有另外的劃分方式，如：多個單元或組件可W結合，或 可W集成到另一個系統，或一些特征可W忽略，或不執行。另外，所顯示或討論的各組成部 分相互之間的禪合、或直接禪合、或通信連接可W是通過一些接口，設備或單元的間接禪合 或通信連接，可W是電性的、機械的或其它形式的。
[0220] 上述作為分離部件說明的單元可W是、或也可W不是物理上分開的，作為單元顯 示的部件可W是、或也可W不是物理單元;既可W位于一個地方，也可W分布到多個網絡單 元上;可W根據實際的需要選擇其中的部分或全部單元來實現本實施例方案的目的。
[0221] 另外，在本發明各實施例中的各功能單元可W全部集成在一個處理單元中，也可 W是各單元分別單獨作為一個單元，也可W兩個或兩個W上單元集成在一個單元中；上述 集成的單元既可W采用硬件的形式實現，也可W采用硬件加軟件功能單元的形式實現。
[0222] 本領域普通技術人員可W理解:實現上述方法實施例的全部或部分步驟可W通過 程序指令相關的硬件來完成，前述的程序可W存儲于計算機可讀取存儲介質中，該程序在 執行時，執行包括上述方法實施例的步驟;而前述的存儲介質包括:移動存儲設備、只讀存 儲器(Read Only Memory ,ROM)、磁碟或者光盤等各種可W存儲程序代碼的介質。
[0223] 或者，本發明上述集成的單元如果W軟件功能模塊的形式實現并作為獨立的產品 銷售或使用時，也可W存儲在一個計算機可讀取存儲介質中。基于運樣的理解，本發明實施 例的技術方案或者說對現有技術做出貢獻的部分可W W軟件產品的形式體現出來，該計 算機軟件產品存儲在一個存儲介質中，包括若干指令用W使得一臺計算機設備(可W是個 人計算機、服務器、或者網絡設備等)執行本發明各個實施例所述方法的全部或部分。而前 述的存儲介質包括:移動存儲設備、ROM、磁碟或者光盤等各種可W存儲程序代碼的介質。
[0224] W上所述，僅為本發明的【具體實施方式】，但本發明的保護范圍并不局限于此，任何 熟悉本技術領域的技術人員在本發明掲露的技術范圍內，可輕易想到變化或替換，都應涵 蓋在本發明的保護范圍之內。因此，本發明的保護范圍應W所述權利要求的保護范圍為準。
【主權項】
1. 一種移動終端，其特征在于，所述移動終端包括： 情景上下文模塊，用于獲取移動終端的情景上下文的原始數據； 決策模塊，用于對預測所述移動終端即將啟動的應用所使用的模型進行決策，每個所 述模型為基于所述模型所對應維度的特征、以及所述移動終端具有所對應維度的特征時所 運行的應用訓練得到； 所述決策模塊，還用于基于所決策使用的至少一個模型對所述情景上下文的原始數據 進行預測處理，得到所述移動終端用戶即將啟動的至少一個應用，基于預測到的至少一個 應用確定預啟動應用； 處理追蹤模塊，用于為所述預啟動應用分配硬件資源，基于所分配的硬件資源預加載 所述預啟動應用的數據，獲取網絡側對應所述預啟動應用的新數據更新預加載的所述至少 一個應用的數據。2. 根據權利要求1所述的移動終端，其特征在于，所述至少一個模型包括觸發模型； 所述決策模塊，還用于基于所決策使用的所述觸發模型進行預測處理以確定待啟動應 用對應的觸發特征;所述觸發特征表征應用集合中各待啟動應用在啟動應用之后被所述移 動終?而用戶啟動的概率，所述啟動應用為所述移動終?而中啟動的應用； 選取所述應用集合中觸發特征滿足預設條件的待啟動應用為所述預啟動應用。3. 根據權利要求1所述的移動終端，其特征在于，所述至少一個模型包括位置模型； 所述決策模塊，還用于基于所決策使用的所述位置模型進行預測處理，確定待啟動應 用對應的位置特征;所述位置特征表征應用集合中各待啟動應用的預設啟動位置與所述移 動終端所處位置的相近程度； 選取所述應用集合中位置特征滿足預設條件的待啟動應用為所述預啟動應用。4. 根據權利要求1所述的移動終端，其特征在于，所述至少一個模型包括時間模型； 所述決策模塊，還用于基于所決策使用的所述時間模型進行預測處理以確定待啟動應 用對應的頻度特征，所述頻度特征表征應用集合中各待啟動應用在當前時刻被所述移動終 端使用的頻度； 選取所述應用集合中頻度特征滿足預設條件的待啟動應用為所述預啟動應用。5. 根據權利要求1所述的移動終端，其特征在于， 所述移動終端還包括： 特征提取模塊，用于解析所述移動終端的情景上下文的歷史原始數據得到所述移動終 端在至少一個維度下的特征； 模型訓練模塊，用于基于所述至少一個維度下的特征對相應維度的模型進行訓練，所 述訓練為所述模型訓練模塊完成，或為所述模型訓練模塊使用云服務的方式完成。6. -種應用預啟動方法，其特征在于，所述方法包括： 獲取移動終端的情景上下文的原始數據； 對預測所述移動終端即將啟動的應用所使用的模型進行決策，每個所述模型為基于所 述模型所對應維度的特征、以及所述移動終端具有所對應維度的特征時所運行的應用訓練 得到； 基于所決策使用的至少一個模型對所述情景上下文的原始數據進行預測處理，得到所 述移動終端用戶即將啟動的至少一個應用，基于預測到的至少一個應用確定預啟動應用； 為所述預啟動應用分配硬件資源，基于所分配的硬件資源預加載所述預啟動應用的數 據，獲取網絡側對應所述預啟動應用的新數據更新預加載的所述至少一個應用的數據。7. 根據權利要求6所述的方法，其特征在于，所述至少一個模型包括觸發模型； 所述基于所決策使用的至少一個模型對所述情景上下文的原始數據進行預測處理，得 到所述移動終端用戶即將啟動的至少一個應用，基于預測到的至少一個應用確定預啟動應 用，包括： 基于所決策使用的所述觸發模型進行預測處理以確定待啟動應用對應的觸發特征;所 述觸發特征表征應用集合中各待啟動應用在啟動應用之后被所述移動終端用戶啟動的概 率，所述啟動應用為所述移動終?而中啟動的應用； 選取所述應用集合中觸發特征滿足預設條件的待啟動應用為所述預啟動應用。8. 根據權利要求6所述的方法，其特征在于，所述至少一個模型包括位置模型； 所述基于所決策使用的至少一個模型對所述情景上下文的原始數據進行預測處理，得 到所述移動終端用戶即將啟動的至少一個應用，基于預測到的至少一個應用確定預啟動應 用，包括： 基于所決策使用的所述位置模型進行預測處理，確定待啟動應用對應的位置特征;所 述位置特征表征應用集合中各待啟動應用的預設啟動位置與所述移動終端所處位置的相 近程度； 選取所述應用集合中位置特征滿足預設條件的待啟動應用為所述預啟動應用。9. 根據權利要求6所述的方法，其特征在于，所述至少一個模型包括時間模型； 所述基于所決策使用的至少一個模型對所述情景上下文的原始數據進行預測處理，得 到所述移動終端用戶即將啟動的至少一個應用，基于預測到的至少一個應用確定預啟動應 用，包括： 基于所決策使用的所述時間模型進行預測處理以確定待啟動應用對應的頻度特征，所 述頻度特征表征應用集合中各待啟動應用在當前時刻被所述移動終端使用的頻度； 選取所述應用集合中頻度特征滿足預設條件的待啟動應用為所述預啟動應用。10. 根據權利要求6所述的方法，其特征在于， 所述方法還包括： 解析所述移動終端的情景上下文的歷史原始數據得到所述移動終端在至少一個維度 下的特征； 基于所述至少一個維度下的特征對相應維度的模型進行訓練，所述訓練為在所述移動 終端側完成，或為所述移動終端使用云服務的方式完成。
【文檔編號】H04M1/725GK105939416SQ201610372957
【公開日】2016年9月14日
【申請日】2016年5月30日
【發明人】敖武陽
【申請人】努比亞技術有限公司