随着移动终端的普及率越来越高,用户在移动终端上安装越来越多功能复杂的应用。这些安装的应用一方面丰富了人们的日常生活;然而,另一方面也给移动终端的管理带来一些困难。首先,在移动终端上安装更多复杂的应用使得移动系统内、外存的存储压力变得越来越大。虽然,一些移动设备制造商为了改善用户体验,尝试扩大内、外存容量;然而,对于一些资源受限的环境,这并不是一种合理的解决方案。而且,受限的内存容量可能导致更长的应用响应时间。此外,安装更多更复杂的应用也会导致一些其它问题,例如,在手机上找到指定的应用变得更加的麻烦。为了解决上述问题,近来的一些相关工作提出了一些基于移动应用使用预测(即,预测接下来的一段时间内即将使用的应用)的方法。这些预测方法能帮助设计一些新颖的内存回收机制以改善内存管理,提前加载待使用的应用到内存以减少移动应用启动的感知延迟,或者调整待使用应用的图标位置以便用户更快地找到相应的应用。然而,先前相关工作提出的一些移动应用使用预测方法面临着低精度、高训练代价等问题。尤其,在内存回收机制以及应用预加载方案中采用基于移动应用使用预测的方法时,它们对预测精度、训练代价两项指标提出了更高的要求。为了改善预测精度以及减少训练代价,本文提出了一种针对移动终端的上下文感知与自适应的移动应用使用预测框架Hi Next App。该预测框架会根据用户当前的上下文信息作出预测,并可以自适应地调整预测周期大小。Hi Next App主要由两部分组成:非均衡贝叶斯模型与一种伸缩算法。其中,非均衡贝叶斯模型会对训练集中较新的记录分配更大的权重,以改善预测精度,而伸缩算法可以动态地调整每个预测周期的大小以显著减少训练代价。实验结果表明,本文提出的移动应用使用预测框架可以有效地改善预测精度以及减少训练次数。此外,该预测框架的训练、预测开销也是相对较小的。