1.一种基于多模态传感器数据的移动设备后台应用预测方法，其特征在于：首先利用移动设备的多种传感器进行数据收集，然后采用能够利用多种不同类型数据的学习方法对这些数据进行融合处理，并且进行分类学习，最后在实际使用中利用训练完毕的分类器对采集到的多种传感数据进行分类，根据分类结果提前加载应用。
2.如权利要求1所述的基于多模态传感器数据的移动设备后台应用预测方法，其特征在于：所述利用移动设备的多种传感器进行数据收集时，初始化移动设备，在使用移动设备过程中采集样本。
3.如权利要求1所述的基于多模态传感器数据的移动设备后台应用预测方法，其特征在于：数据进行融合处理包括，将移动设备采集的样本进行数据标记，将移动设备采集的样本进行数据预处理；
分类学习为，利用预处理后的数据和标记训练识别模型m。
4.如权利要求1所述的基于多模态传感器数据的移动设备后台应用预测方法，其特征在于：利用训练完毕的分类器对采集到的多种传感数据进行分类和识别，首先初始化移动设备，通过移动设备内置传感器在线采集信息，将移动设备内置传感器在线采集的信息进行数据预处理，使用识别模型m对进行数据预处理后的信息加以预测，输出分类结果。
5.如权利要求1所述的基于多模态传感器数据的移动设备后台应用预测方法，其特征在于：所述移动设备内置传感器包括gps位置传感器，运动传感器，后台应用使用记录，以及系统信息。
6.如权利要求1所述的基于多模态传感器数据的移动设备后台应用预测方法，其特征在于：所述在移动设备内置传感器在线采集信息之前，还包括检测移动设备内置传感器是否能正常工作的步骤，如果正常工作，则采集信息；如果出现故障，则提示用户。
7.如权利要求1所述的基于多模态传感器数据的移动设备后台应用预测方法，其特征在于：所述移动设备采集的一条样本为一个数据包，在后台应用管理任务中，一条样本包含一段时间的gps位置数据，运动传感器数据，以及后台应用使用记录和系统信息，每条样本对应的标记有多个。
8.如权利要求1所述的基于多模态传感器数据的移动设备后台应用预测方法，其特征在于：所述数据预处理，包括对采集到的信息进行信号滤波、去噪、缺失传感器数据填补的处理。
9.如权利要求1所述的基于多模态传感器数据的移动设备后台应用预测方法，其特征在于：所述识别模型m（分类模型）训练所用loss使用最优传输理论，利用标记之间的相关性计算loss，将标记相似性作为学习度量，学习适应当前任务的度量矩阵；
对于有标记数据，计算每个模态的预测与真实标记的loss，对于未标记数据，计算不同模态的预测之间的loss。
10.如权利要求1所述的基于多模态传感器数据的移动设备后台应用预测方法，其特征在于：使用深度神经网络训练识别模型m，首先对多模态数据分别进行特征提取，然后对每个模态的多示例进行预测，得到预测的二维矩阵，其中矩阵的每一列为每个示例的预测结果，接下来融合每个模态的预测结果，最终融合多模态的预测结果。