应用程序管控方法、装置、存储介质及终端设备与流程

本申请涉及终端领域，具体涉及一种应用程序管控方法、装置、存储介质及终端设备。

背景技术：

终端用户每天会使用大量应用，通常一个应用被推到后台后，如果及时不清理会占用宝贵的系统内存资源，并且会影响系统功耗。因此，有必要提供一种应用程序管控方法、装置、存储介质及终端设备。

技术实现要素：

本申请实施例提供一种应用程序管控方法、装置、存储介质及终端设备，以智能关闭应用程序。

本申请实施例提供一种应用程序管控方法，应用于终端设备，所述应用程序管控方法包括以下步骤：

定义速度区间，获取所述应用程序在不同速度区间的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息；

采用算法对样本向量进行计算，生成多个训练模型，其中不同训练模型对应不同速度区间；

当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率；以及

判断所述应用程序是否需要关闭。

本申请实施例还提供一种应用程序管控装置，所述装置包括：

获取模块，定义速度区间，获取所述应用程序在不同速度区间的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息；

生成模块，用于采用算法对样本向量进行计算，生成多个训练模型，其中不同训练模型对应不同速度区间；

计算模块，用于当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率；以及

判断模块，用于判断所述应用程序是否需要关闭。

本申请实施例还提供一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述的应用程序管控方法。

本申请实施例还提供一种终端设备，所述终端设备包括处理器和存储器，所述终端设备与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行以下步骤：

定义速度区间，获取所述应用程序在不同速度区间的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息；

采用算法对样本向量进行计算，生成多个训练模型，其中不同训练模型对应不同速度区间；

当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率；以及

判断所述应用程序是否需要关闭。

本申请所提供的应用程序管控方法、装置、存储介质及终端设备，通过定义速度区间，根据不同速度区间，对历史特征信息进行计算，生成不同训练模型，当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率，以判断所述应用程序是否需要关闭，从而智能关闭应用程序。

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为本申请实施例提供的应用程序管控装置的一种系统示意图。

图2为本申请实施例提供的应用程序管控装置的应用场景示意图。

图3为本申请实施例提供的应用程序管控方法的一种流程示意图。

图4为本申请实施例提供的应用程序管控方法的另一种流程示意图。

图5为本申请实施例提供的装置的一种结构示意图。

图6为本申请实施例提供的装置的另一种结构示意图。

图7为本申请实施例提供的电子设备的一种结构示意图。

图8为本申请实施例提供的电子设备的另一种结构示意图。

具体实施例

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。

在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

在本申请中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

下文的公开提供了许多不同的实施例或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。此外，本申请提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。

请参照附图中的图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所示例的本申请的具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。

本申请原理以上述文字来说明，其并不代表为一种限制，本领域技术人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。

本申请提供的应用程序管控方法，主要应用于终端设备，如：手环、智能手机、基于苹果系统或安卓系统的平板电脑、或基于windows或linux系统的笔记本电脑等智能移动终端设备。

请参阅图1，图1为本申请实施例提供的应用程序管控装置的系统示意图。所述应用程序管控装置主要用于：从数据库中获取应用程序的历史特征信息，然后，通过定义速度区间，根据不同速度区间，生成不同训练模型，其次，当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，通过计算结果判断应用程序是否可关闭，以对预设应用程序进行管控，例如关闭、或者冻结等。

具体的，请参阅图2，图2为本申请实施例提供的应用程序管控方法的应用场景示意图。在一种实施例中，从数据库中获取应用程序的历史特征信息，然后，通过定义速度区间，根据不同速度区间，生成不同训练模型，其次，当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，通过计算结果判断应用程序是否可关闭。比如，从数据库中获取应用程序的历史特征信息，通过定义速度区间，根据不同速度区间，生成不同训练模型，当检测到应用程序a进入后台时，根据移动速度将当前特征信息带入对应的训练模型，通过计算结果判断应用程序a可关闭,并将应用程序a关闭；当检测到应用程序b进入后台时，根据移动速度将当前特征信息带入对应的训练模型，通过计算结果判断应用程序b需要保留，并将应用程序b保留。

本申请实施例提供一种应用程序管控方法，所述应用程序管控方法的执行主体可以是本发明实施例提供的应用程序管控装置，或者成了该应用程序管控装置的电子设备，其中该应用程序管控装置可以采用硬件或者软件的方式实现。

请参阅图3，图3为本申请实施例提供的应用程序管控方法的流程示意图。本申请实施例提供的应用程序管控方法应用于电子设备，具体流程可以如下：

步骤s101，定义速度区间，获取所述应用程序在不同速度区间的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息。

其中，所述速度区间可以包括第一速度区间，第二速度区间和第三速度区间。所述第一速度区间可以为移动速度在0到2km/h的范围内，也即静止区间；所述第二速度区间可以为移动速度在2km/h到6km/h的范围内，也即步行区间；所述第三速度区间可以为移动速度大于6km/h，也即快速移动区间。

其中，所述多个维度的特征信息可以参考表1。

表1

需要说明的是，以上表1示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接wifi等。

步骤s102，采用算法对样本向量进行计算，生成多个训练模型，其中不同训练模型对应不同速度区间。

请参阅图4，在一种实施例中，所述步骤s102可以包括：

步骤s1021：选择算法；以及

步骤s1022：对应不同速度区间生成多个训练模型。

所述算法可以为支持向量机算法、神经网络算法、贝叶斯统计算法、决策树算法等。其中，不同速度区间可以选择不同的算法，对应不同速度区间生成多个训练模型。

在一种实施例中，所述速度区间可以包括第一速度区间，第二速度区间和第三速度区间。对应第一速度区间生成第一训练模型，对应第二速度区间生成第二训练模型，对应第三速度区间生成第三训练模型。

在一种实施例中，可以采用支持向量机算法对应第一速度区间生成第一训练模型，采用神经网络算法对应第二速度区间生成第二训练模型，采用贝叶斯统计算法对应第三速度区间生成第三训练模型。

例如，采用线性支持向量机算法生成训练模型。

首先，定义超平面，所述超平面可以为超平面(w,b)：w^tx+b＝0，，其中，w为超平面的法向量，w^t为w的转置向量，x为样本向量，b为超平面截距。

其次，根据超平面得到分类决策函数，所述分类决策函数可以为其中，f(x)为分类决策值，当f(x)＝1时，代表所述应用程序“需关闭”，当f(x)＝-1时，代表所述应用程序“需保留”

然后，根据分类决策函数定义目标最优化函数，通过序列最小优化算法得到目标优化函数的最优解，得到训练模型，所述目标优化函数为其中，所述目标最优化函数为在参数(α1,α2,…,αi)上求最小值，一个αi对应于一个样本(xi,yi)，变量的总数等于训练样本的容量m。

所述最优解可以记为所述训练模型可以为g(sx)＝w^tsx+b，其中，g(x)为训练模型输出值，

再例如，采用反向传播(backpropagation，bp)神经网络算法生成训练模型。

首先，设定输入层、隐含层、分类层、输出层、激活函数、批量大小和学习率。

其中，所述输入层包括n个节点，所述输入层的节点数与所述历史特征信息的维数相同。

所述隐含层包括m个节点。

所述分类层采用softmax函数，所述softmax函数为其中，p为预测概率值，zk为中间值，c为预测结果的类别数，为第j个中间值。

所述输出层包括2个节点。

所述激活函数采用sigmoid函数，所述sigmoid函数为其中，所述f(x)的范围为0到1。

所述批量大小为a。例如，所述批量大小可以为128。

所述学习率为b。例如，所述学习率可以为0.8。

然后，在输入层输入所述样本向量进行计算，得到输入层的输出值；在所述隐含层的输入所述输入层的输出值，得到所述隐含层的输出值；在所述分类层输入所述隐含层的输出值进行计算，得到所述预测概率值[p1p2]^t，将所述预测概率值带入输出层进行计算，得到预测结果值y，当p1大于p2时，y＝[10]^t，当p1小于等于p2时，y＝[01]^t。

最后，根据预测结果值y修正所述网络结构，得到训练模型。

需要说明的是，本申请所述的算法并不局限于以上举例。

步骤s103，当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率。

请参阅图4，在一种实施例中，所述步骤s103可以包括：

步骤s1031：获取移动速度；

步骤s1032：判断移动速度所处的速度区间；

步骤s1033：获取应用程序的当前特征信息；

步骤s1034：将当前特征信息带入对应的训练模型进行计算，获得预测关闭概率。

其中，当检测到应用程序进入后台时，获取所述终端设备的移动速度，其次，判断所述移动速度所处的速度区间，然后获取所述应用程序的当前特征信息，最后，将当前特征信息带入对应的训练模型进行计算，获得预测关闭概率。

在一种实施例中，当检测到应用程序进入后台时，间隔相同时间，连续n次获取的所述终端设备的移动速度均处于同一速度区间时，然后获取所述应用程序的当前特征信息，最后，将当前特征信息带入对应的训练模型进行计算，获得预测关闭概率。

在一种实施方式中，采集的所述应用程序的当前特征信息的维度与采集的所述应用程序的历史特征信息的维度相同。

步骤s104，判断所述应用程序是否需要关闭。

需要说明的是，当预测关闭概率大于关闭阈值时，则关闭所述应用程序；当预测关闭概率小于关闭阈值时，则保留所述应用程序。

本申请所提供的应用程序管控方法，通过定义速度区间，根据不同速度区间，对历史特征信息进行计算，生成不同训练模型，当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率，以判断所述应用程序是否需要关闭，从而智能关闭应用程序。

请参阅图5，本申请实施例还提供一种装置30，所述装置30包括获取模块31，生成模块32、计算模块33和判断模块34。

需要说明的是，所述应用程序可以为聊天应用程序、视频应用程序、音乐应用程序、购物应用程序、共享单车应用程序或手机银行应用程序等。

所述获取模块31用于定义速度区间，获取所述应用程序在不同速度区间的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息。

请参阅图6，所述装置30还可以包括储存模块36。所述储存模块36用于储存应用程序的特征信息。所述获取模块31从储存模块36中获取历史特征信息。

所述获取模块31包括定义模块311和第一采集模块312。

所述定义模块311用于定义速度区间。

其中，所述速度区间可以包括第一速度区间，第二速度区间和第三速度区间。所述第一速度区间可以为移动速度在0到2km/h的范围内，也即静止区间；所述第二速度区间可以为移动速度在2km/h到6km/h的范围内，也即步行区间；所述第三速度区间可以为移动速度大于6km/h，也即快速移动区间。

所述第一采集模块312用于获取所述应用程序在不同速度区间的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息。

其中，所述多个维度的特征信息可以参考表2。

表2

需要说明的是，以上表2示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接wifi等。

所述生成模块32用于采用算法对样本向量进行计算，生成多个训练模型，其中不同训练模型对应不同速度区间。

请参阅图6，所述生成模块32包括选择模块321和多个训练模块322。

所述选择模块321用于选择算法。

其中，所述算法可以为支持向量机算法、神经网络算法、贝叶斯统计算法、决策树算法等。

所述多个训练模块322用于对应不同速度区间生成多个训练模型。

其中，不同速度区间可以选择不同的算法，对应不同速度区间生成多个训练模型。

在一种实施例中，所述训练模块322可以包括第一训练模块3221、第二训练模块3222和第三训练模块3223。

所述第一训练模块3221用于对应第一速度区间生成第一训练模型。

所述第二训练模块3222用于对应第二速度区间生成第二训练模型。

所述第三训练模块3223用于对应第三速度区间生成第三训练模型。

在一种实施例中，所述第一训练模块3221可以采用支持向量机算法对应第一速度区间生成第一训练模型，所述第二训练模块3222可以采用神经网络算法对应第二速度区间生成第二训练模型，所述第三训练模块3223可以采用贝叶斯统计算法对应第三速度区间生成第三训练模型。

例如，采用线性支持向量机算法生成训练模型。

首先，定义超平面，所述超平面可以为超平面(w,b)：w^tx+b＝0，，其中，w为超平面的法向量，w^t为w的转置向量，x为样本向量，b为超平面截距。

其次，根据超平面得到分类决策函数，所述分类决策函数可以为其中，f(x)为分类决策值，当f(x)＝1时，代表所述应用程序“需关闭”，当f(x)＝-1时，代表所述应用程序“需保留”。

然后，根据分类决策函数定义目标最优化函数，通过序列最小优化算法得到目标优化函数的最优解，得到训练模型，所述目标优化函数为其中，所述目标最优化函数为在参数(α1,α2,…,αi)上求最小值，一个αi对应于一个样本(xi,yi)，变量的总数等于训练样本的容量m。

所述最优解可以记为所述训练模型可以为g(sx)＝w^tsx+b，其中，g(x)为训练模型输出值，

再例如，采用反向传播(backpropagation，bp)神经网络算法生成训练模型。

首先，设定输入层、隐含层、分类层、输出层、激活函数、批量大小和学习率。

其中，所述输入层包括n个节点，所述输入层的节点数与所述历史特征信息的维数相同。

所述隐含层包括m个节点。

所述分类层采用softmax函数，所述softmax函数为其中，p为预测概率值，zk为中间值，c为预测结果的类别数，为第j个中间值。

所述输出层包括2个节点。

所述激活函数采用sigmoid函数，所述sigmoid函数为其中，所述f(x)的范围为0到1。

所述批量大小为a。例如，所述批量大小可以为128。

所述学习率为b。例如，所述学习率可以为0.8。

然后，在输入层输入所述样本向量进行计算，得到输入层的输出值；在所述隐含层的输入所述输入层的输出值，得到所述隐含层的输出值；在所述分类层输入所述隐含层的输出值进行计算，得到所述预测概率值[p1p2]^t，将所述预测概率值带入输出层进行计算，得到预测结果值y，当p1大于p2时，y＝[10]^t，当p1小于等于p2时，y＝[01]^t。

最后，根据预测结果值y修正所述网络结构，得到训练模型。

需要说明的是，本申请所述的算法并不局限于以上举例。

所述计算模块33用于当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率。

请参阅图6，在一种实施例中，所述计算模块33可以包括第二采集模块331、分析模块332、第三采集模块333和求解模块334。

所述第二采集模块331用于获取移动速度。

所述分析模块332用于判断移动速度所处的速度区间。

所述第三采集模块333用于获取应用程序的当前特征信息。

所述求解模块334用于将当前特征信息带入对应的训练模型进行计算，获得预测关闭概率。

在一种实施例中，请参阅图6，所述装置30还包括检测模块35，用于检测所述应用程序进入后台。

其中，当所述检测模块35检测到应用程序进入后台时，所述第二采集模块331获取所述终端设备的移动速度，其次，所述分析模块332判断所述移动速度所处的速度区间，然后所述第三采集模块333获取所述应用程序的当前特征信息，最后，所述求解模块334将当前特征信息带入对应的训练模型进行计算，获得预测关闭概率。

在一种实施例中，当所述检测模块35检测到应用程序进入后台时，间隔相同时间，所述第二采集模块331连续n次获取的所述终端设备的移动速度均处于同一速度区间时，然后所述第三采集模块333获取所述应用程序的当前特征信息，最后，所述求解模块334将当前特征信息带入对应的训练模型进行计算，获得预测关闭概率。

在一种实施方式中，采集的所述应用程序的当前特征信息的维度与采集的所述应用程序的历史特征信息的维度相同。

所述判断模块34用于判断所述应用程序是否需要关闭。

需要说明的是，当预测关闭概率大于关闭阈值时，则关闭所述应用程序；当预测关闭概率小于关闭阈值时，则保留所述应用程序。

所述装置30还可以包括关闭模块37，用于当判断应用程序需要关闭时，将所述应用程序关闭。

本申请所提供的应用程序管控装置，通过定义速度区间，根据不同速度区间，对历史特征信息进行计算，生成不同训练模型，当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率，以判断所述应用程序是否需要关闭，从而智能关闭应用程序。

请参阅图7，本申请实施例还提供一种终端设备500。所述终端设备500包括：处理器501和存储器502。其中，处理器501与存储器502电性连接。

处理器501是终端设备500的控制中心，利用各种接口和线路连接整个终端设备500的各个部分，通过运行或加载存储在存储器502内的应用程序，以及调用存储在存储器502内的数据，执行终端设备的各种功能和处理数据，从而对终端设备500进行整体监控。

在本实施例中，终端设备500中的处理器501会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能：

定义速度区间，获取所述应用程序在不同速度区间的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息；

采用算法对样本向量进行计算，生成多个训练模型，其中不同训练模型对应不同速度区间；

当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率；以及

判断所述应用程序是否需要关闭。

需要说明的是，所述应用程序可以为聊天应用程序、视频应用程序、音乐应用程序、购物应用程序、共享单车应用程序或手机银行应用程序等。

其中，所述速度区间可以包括第一速度区间，第二速度区间和第三速度区间。所述第一速度区间可以为移动速度在0到2km/h的范围内，也即静止区间；所述第二速度区间可以为移动速度在2km/h到6km/h的范围内，也即步行区间；所述第三速度区间可以为移动速度大于6km/h，也即快速移动区间。

其中，所述多个维度的特征信息可以参考表3。

表3

需要说明的是，以上表3示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接wifi等。

在一种实施例中，采用算法对样本向量进行计算，生成多个训练模型，其中不同训练模型对应不同速度区间还包括：

选择算法；以及

对应不同速度区间生成多个训练模型。

所述算法可以为支持向量机算法、神经网络算法、贝叶斯统计算法、决策树算法等。其中，不同速度区间可以选择不同的算法，对应不同速度区间生成多个训练模型。

在一种实施例中，所述速度区间可以包括第一速度区间，第二速度区间和第三速度区间。对应第一速度区间生成第一训练模型，对应第二速度区间生成第二训练模型，对应第三速度区间生成第三训练模型。

在一种实施例中，可以采用支持向量机算法对应第一速度区间生成第一训练模型，采用神经网络算法对应第二速度区间生成第二训练模型，采用贝叶斯统计算法对应第三速度区间生成第三训练模型。

例如，采用线性支持向量机算法生成训练模型。

首先，定义超平面，所述超平面可以为超平面(w,b)：w^tx+b＝0，，其中，w为超平面的法向量，w^t为w的转置向量，x为样本向量，b为超平面截距。

其次，根据超平面得到分类决策函数，所述分类决策函数可以为其中，f(x)为分类决策值，当f(x)＝1时，代表所述应用程序“需关闭”，当f(x)＝-1时，代表所述应用程序“需保留”

然后，根据分类决策函数定义目标最优化函数，通过序列最小优化算法得到目标优化函数的最优解，得到训练模型，所述目标优化函数为其中，所述目标最优化函数为在参数(α1,α2,…,αi)上求最小值，一个αi对应于一个样本(xi,yi)，变量的总数等于训练样本的容量m。

所述最优解可以记为所述训练模型可以为g(sx)＝w^tsx+b，其中，g(x)为训练模型输出值，

再例如，采用反向传播(backpropagation，bp)神经网络算法生成训练模型。

首先，设定输入层、隐含层、分类层、输出层、激活函数、批量大小和学习率。

其中，所述输入层包括n个节点，所述输入层的节点数与所述历史特征信息的维数相同。

所述隐含层包括m个节点。

所述分类层采用softmax函数，所述softmax函数为其中，p为预测概率值，zk为中间值，c为预测结果的类别数，为第j个中间值。

所述输出层包括2个节点。

所述激活函数采用sigmoid函数，所述sigmoid函数为其中，所述f(x)的范围为0到1。

所述批量大小为a。例如，所述批量大小可以为128。

所述学习率为b。例如，所述学习率可以为0.8。

然后，在输入层输入所述样本向量进行计算，得到输入层的输出值；在所述隐含层的输入所述输入层的输出值，得到所述隐含层的输出值；在所述分类层输入所述隐含层的输出值进行计算，得到所述预测概率值[p1p2]^t，将所述预测概率值带入输出层进行计算，得到预测结果值y，当p1大于p2时，y＝[10]^t，当p1小于等于p2时，y＝[01]^t。

最后，根据预测结果值y修正所述网络结构，得到训练模型。

需要说明的是，本申请所述的算法并不局限于以上举例。

在一种实施例中，当检测到应用程序进入后台时，所述处理器501根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率还包括：

获取移动速度；

判断移动速度所处的速度区间；

获取应用程序的当前特征信息；

将当前特征信息带入对应的训练模型进行计算，获得预测关闭概率。

其中，当检测到应用程序进入后台时，获取所述终端设备的移动速度，其次，判断所述移动速度所处的速度区间，然后获取所述应用程序的当前特征信息，最后，将当前特征信息带入对应的训练模型进行计算，获得预测关闭概率。

在一种实施例中，当检测到应用程序进入后台时，间隔相同时间，连续n次获取的所述终端设备的移动速度均处于同一速度区间时，然后获取所述应用程序的当前特征信息，最后，将当前特征信息带入对应的训练模型进行计算，获得预测关闭概率。

在一种实施方式中，采集的所述应用程序的当前特征信息的维度与采集的所述应用程序的历史特征信息的维度相同。

在一种实施方式中，所述处理器501判断所述应用程序是否需要关闭。当预测关闭概率大于关闭阈值时，则关闭所述应用程序；当预测关闭概率小于关闭阈值时，则保留所述应用程序。

存储器502可用于存储应用程序和数据。存储器502存储的程序中包含有可在处理器中执行的指令。所述程序可以组成各种功能模块。处理器501通过运行存储在存储器502的程序，从而执行各种功能应用以及数据处理。

在一些实施例中，如图8所示，终端设备500还包括：射频电路503、显示屏504、控制电路505、输入单元506、音频电路507、传感器508以及电源509。其中，处理器501分别与射频电路503、显示屏504、控制电路505、输入单元506、音频电路507、传感器508以及电源509电性连接。

射频电路503用于收发射频信号，以通过无线通信网络与服务器或其他电子设备进行通信。

显示屏504可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。

控制电路505与显示屏504电性连接，用于控制显示屏504显示信息。

输入单元506可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

音频电路507可通过扬声器、传声器提供用户与终端之间的音频接口。

传感器508用于采集外部环境信息。传感器508可以包括环境亮度传感器、加速度传感器、陀螺仪等传感器中的一种或多种。

电源509用于给终端设备500的各个部件供电。在一些实施例中，电源509可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管图8中未示出，终端设备500还可以包括摄像头、蓝牙模块等，在此不再赘述。

本申请所提供的终端设备，通过检测应用程序进入后台，通过定义速度区间，获取所述应用程序在不同速度区间的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息；采用算法对样本向量进行计算，生成多个训练模型，其中不同训练模型对应不同速度区间；当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率；以及判断所述应用程序是否需要关闭，智能关闭应用程序。

本发明实施例还提供一种存储介质，该存储介质中存储有多条指令，该指令适于由处理器加载以执行上述任一实施例所述的应用程序管控方法。

本发明实施例提供的应用程序管控方法、装置、存储介质及终端设备属于同一构思，其具体实现过程详见说明书全文，此处不再赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储存储介质中，存储存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取记忆体(ram，randomaccessmemory)、磁盘或光盘等。

以上对本申请实施例提供的应用程序管控方法、装置、存储介质及终端设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施例进行了阐述，以上实施例的说明只是用于帮助理解本申请。同时，对于本领域的技术人员，依据本申请的思想，在具体实施例及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。