| 摘要 | 第1-9页 |
| ABSTRACT | 第9-12页 |
| 第一章 绪论 | 第12-22页 |
| ·移动平台及移动应用 | 第12-18页 |
| ·移动平台简介 | 第12-17页 |
| ·移动应用简介 | 第17-18页 |
| ·人类行为理解简介 | 第18-19页 |
| ·研究内容及论文结构 | 第19-20页 |
| ·研究内容及创新点 | 第19-20页 |
| ·论文组织结构 | 第20页 |
| ·小结 | 第20-22页 |
| 第二章 可预测性以及常用预测方法研究现状 | 第22-28页 |
| ·可预测性研究现状 | 第22-23页 |
| ·常用预测方法研究现状 | 第23-26页 |
| ·小结 | 第26-28页 |
| 第三章 移动应用使用行为（MAU）的可预测性研究 | 第28-36页 |
| ·引言 | 第28页 |
| ·MAU 预测中基于信源和熵的序列抽象 | 第28-32页 |
| ·基于信源的MAU 抽象化描述 | 第28-30页 |
| ·基于熵的可预测性量化描述 | 第30-31页 |
| ·熵率的计算 | 第31-32页 |
| ·基于熵的MAU 可预测性理论分析 | 第32-35页 |
| ·可预测性上限分析 | 第33-34页 |
| ·可预测性下限分析 | 第34-35页 |
| ·小结 | 第35-36页 |
| 第四章 MAU 预测方法 | 第36-45页 |
| ·引言 | 第36页 |
| ·基于SVM 的MAU 预测 | 第36-40页 |
| ·基本框架 | 第36-39页 |
| ·MAU 预测中的SVM 算法定制 | 第39-40页 |
| ·算法流程 | 第40页 |
| ·基于3LBPNN 的MAU 预测 | 第40-44页 |
| ·基本框架 | 第41-42页 |
| ·面向MAU 预测的3LBPNN 样本训练 | 第42-44页 |
| ·面向MAU 预测优化的误差控制 | 第44页 |
| ·小结 | 第44-45页 |
| 第五章 MAU 预测实验平台AppMagic 设计及验证 | 第45-65页 |
| ·AppMagic 的设计 | 第45页 |
| ·AppMagic 客户端 | 第45-52页 |
| ·AppMagic 客户端的设计与实现 | 第45-51页 |
| ·MAU 数据集的获取 | 第51-52页 |
| ·AppMagic 客户端的用户干扰度分析 | 第52页 |
| ·AppMagic 服务器端 | 第52-55页 |
| ·AppMagic 服务器端的设计与实现 | 第52-54页 |
| ·原始序列的格式化 | 第54-55页 |
| ·可预测性分析 | 第55-58页 |
| ·可预测性的熵率表征 | 第55-56页 |
| ·可预测性的上下限分析 | 第56-58页 |
| ·预测方法性能分析 | 第58-64页 |
| ·采用不同平滑参数的基于SVM 的预测结果分析 | 第59-60页 |
| ·采用不同训练次数基于3LBPNN 的预测结果分析 | 第60-61页 |
| ·噪声过滤策略对预测准确性的优化 | 第61-62页 |
| ·两种预测算法的开销对比 | 第62-63页 |
| ·实验结果分析 | 第63-64页 |
| ·小结 | 第64-65页 |
| 第六章 结论与展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 作者在学期间取得的学术成果 | 第72页 |