应用使用情况预测及监督方法技术

本发明专利技术实施例公开了一种应用使用情况预测及监督方法

【技术实现步骤摘要】
应用使用情况预测及监督方法、系统、设备及介质


[0001]本专利技术涉及一种应用使用情况预测及监督方法
、
系统
、
设备及介质，属于用户监督预测领域
。

技术介绍

[0002]伴随着移动互联网的发展和智能终端的普及，运行于手机上的
APP
应用软件更是层出不穷，
APP
则是充满海量的资讯和音视频，不断引导网民点击和访问，这虽然丰富了人们的娱乐性，但同时也改变着人们上网的习惯，因此，有必要对手机用户应用使用情况进行监督预测，并进行提醒
。
[0003]目前很多对
APP
行为进行预测的方法，只是预测用户当下的行为，或是只能在不良手机应用使用行为发生后进行警告，无法有效地避免类似情况发生
。
中国专利技术专利公布号
CN 109522197 A
，公开了“一种用户
APP
行为的预测方法”，根据获取待预测的用户
APP
行为数据，获取用户
APP
行为预测概率
P
，最后预测用户
APP
行为；这只是对
APP
行为进行分析和预测，并不能在不良行为发生前进行监督提醒
。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种应用使用情况预测及监督方法
、
系统
、
计算机设备及存储介质，其通过预测机制获取用户接下来的应用使用时长，并根据不自律行为作出警告，以达到不良行为还没开始发生就起到提醒的作用，防患于未然
。
[0005]本专利技术的第一个目的在于提供一种应用使用情况预测及监督方法
。
[0006]本专利技术的第二个目的在于提供一种应用使用情况预测及监督系统
。
[0007]本专利技术的第三个目的在于提供一种计算机设备
。
[0008]本专利技术的第四个目的在于提供一种存储介质
。
[0009]本专利技术的第一个目的可以通过采取如下技术方案达到：
[0010]一种应用使用情况预测及监督方法，所述方法包括：
[0011]根据用户的应用使用数据和
LSTM
神经网络模型，得到应用使用时长；
[0012]根据用户设置的监督选项筛选出需要进行监督提醒的应用使用时长，并提前告知用户预计发生的不自律行为
。
[0013]优选的，所述应用使用数据包括应用开始使用时间
、
应用名称以及应用使用的持续时长；
[0014]所述根据用户的应用使用数据和
LSTM
神经网络模型，得到应用使用时长，包括：
[0015]对所述应用使用数据中的应用程序进行特征编码，通过构建连续时间表存储记录数据，并进行分类标记，分类标记后的记录数据包括是否超时的
0/1
标签
、
时长
、
应用程序的特征编号
、
对应小时；
[0016]将所述连续时间表输入
LSTM
神经网络模型进行训练；
[0017]根据待预测的应用使用数据和训练好的
LSTM
神经网络模型，得到应用使用情况的
分类结果；
[0018]根据所述分类结果相应的时长数据和加权方法，得到应用使用时长，所述分类结果为超时或不超时
。
[0019]优选的，所述通过构建连续时间表存储记录数据，并进行分类标记，包括：
[0020]将时间上相近且同属一个应用程序的时长记录进行合并；
[0021]根据时长设置阈值筛选掉低于时长阈值的时长记录；
[0022]依据筛选后的数据对记录数据进行分类标记；
[0023]通过构建连续时间表存储分类标记后的记录数据
。
[0024]优选的，所述根据所述分类结果相应的时长数据和加权方法，得到应用使用时长，包括：
[0025]利用应用程序的特征编号和时间点构成二维矩阵表，表中，每个数值代表着在某个时间点下所使用的应用程序的时长；
[0026]针对每个用户分配历史记录表和前日记录表；
[0027]将历史记录与新获取的前日记录进行加权计算得到当日记录，其中，当日记录用于指明被预测为超时的时间具体所属的应用程序及其预计的使用时长
。
[0028]优选的，将连续时间表中的数据组织成
96x24x5
的形式，其中，
96
指批大小，
24
指序列长度，5指特征输入长度
。
[0029]优选的，
LSTM
神经网络模型包括1个
LSTM
层和1个线性层，
LSTM
层包括5层隐藏节点数为
64
的隐藏层；
LSTM
神经网络模型训练时使用
Adam
作为优化器
、
交叉熵作为损失函数
。
[0030]优选的，所述连续时间表将要预测的数据分成多个部分，每个部分存储相应的记录数据
。
[0031]本专利技术的第二个目的可以通过采取如下技术方案达到：
[0032]一种应用使用情况预测及监督系统，所述系统包括：
[0033]预测单元，用于根据用户的应用使用数据和
LSTM
神经网络模型，得到应用使用时长；
[0034]监督单元，用于根据用户设置的监督选项筛选出需要进行监督提醒的应用使用时长，并提前告知用户预计发生的不自律行为
。
[0035]本专利技术的第三个目的可以通过采取如下技术方案达到：
[0036]一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的应用使用情况预测及监督方法
。
[0037]本专利技术的第四个目的可以通过采取如下技术方案达到：
[0038]一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的应用使用情况预测及监督方法
。
[0039]本专利技术实施例相对于现有技术具有如下的有益效果：
[0040]本专利技术实施例根据用户的应用使用数据和
LSTM
神经网络模型，预测得到应用使用时长，然后根据用户设置的监督选项筛选出需要进行监督提醒的应用使用时长，并提前告知用户预计发生的不自律行为
。
这样可以在不良行为发生之前起到提醒的作用，帮助用户防患于未然，提高自律性
。
用户可以更好地管理和控制自己的应用使用行为，以实现更健康和合理的手机使用习惯
。
附图说明
[0041]为了更清楚地说明本专利技术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的介绍，显而易见地，下面描述中的附图仅仅是本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种应用使用情况预测及监督方法，其特征在于，所述方法包括：根据用户的应用使用数据和
LSTM
神经网络模型，得到应用使用时长；根据用户设置的监督选项筛选出需要进行监督提醒的应用使用时长，并提前告知用户预计发生的不自律行为
。2.
根据权利要求1所述方法，其特征在于，所述应用使用数据包括应用开始使用时间
、
应用名称以及应用使用的持续时长；所述根据用户的应用使用数据和
LSTM
神经网络模型，得到应用使用时长，包括：对所述应用使用数据中的应用程序进行特征编码，通过构建连续时间表存储记录数据，并进行分类标记，分类标记后的记录数据包括是否超时的
0/1
标签
、
时长
、
应用程序的特征编号
、
对应小时；将所述连续时间表输入
LSTM
神经网络模型进行训练；根据待预测的应用使用数据和训练好的
LSTM
神经网络模型，得到应用使用情况的分类结果；根据所述分类结果相应的时长数据和加权方法，得到应用使用时长，所述分类结果为超时或不超时
。3.
根据权利要求2所述方法，其特征在于，所述通过构建连续时间表存储记录数据，并进行分类标记，包括：将时间上相近且同属一个应用程序的时长记录进行合并；根据时长设置阈值筛选掉低于时长阈值的时长记录；依据筛选后的数据对记录数据进行分类标记；通过构建连续时间表存储分类标记后的记录数据
。4.
根据权利要求2所述方法，其特征在于，所述根据所述分类结果相应的时长数据和加权方法，得到应用使用时长，包括：利用应用程序的特征编号和时间点构成二维矩阵表，表中，每个数值代表着在某个时间点下所使用的应用程序的时长；针...

【专利技术属性】
技术研发人员：卓奕颖，陶乾，姚泽坤，程俊豪，邓嘉晟，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：