移动终端应用呈现出爆炸性的增长态势,它的存储容量也在不断的增加,人们下载和安装大量感兴趣的应用程序。一方面,人们需要频繁地组织他们的应用程序和文件,需要更多的时间查找和选择他们想要使用的应用程序。另一方面,免费的移动App收入主要来自于广告,但是目前没有广告拍卖考虑到用户参与应用程序的时间,尽管已知曝光时间越长收益越大。如果了解移动应用的使用模式将有助于用户拥有更好的设备体验质量,同时为移动应用开发人员提供更多的参考。本文通过对用户上下文各个影响因素分析,仅利用时间和最近使用App两个关键因素,基于贝叶斯网络和线性模型提出改进的算法来预测用户下一次使用的App。最后,本文运用MDC数据集评估,在降低计算复杂度的情况下,提出的预测模型评估结果达到86%的准确率,效果显著优于其它算法。本文提出将广告曝光时间包含在移动广告定价中,广告商可以根据广告的有效性调整广告系列的参与度,并为广告展示提供更有效的市场,同时降低网络利用率和设备功耗。除此之外,本文对影响用户参与应用时间的各个因素进行方差分析和信息增益,找出其中主要的影响因素,提出结合遗传算法的BP神经网络预测模型,经过数据实验验证以及性能分析,误差率在可接受的范围以内。最后,提出误差收益估算模型,预估此预测模型给广告收益带来的差别。目前移动用户的参与度和曝光时间与当前广告的有效性冲突,知道用户参与应用的会话时间,并且把它包含在广告定价中,可以使广告生态系统中从广告商本身到最终用户的所有各方受益。综上,本文针对用户使用移动App的行为进行分析与研究,在期望能够给用户带来便利同时,也能为移动广告定价的更加有效与合理性做出贡献。