1.一种面向移动通信用户流失不平衡数据预测方法，其特征在于，包括以下步骤：步骤一：构建数据预处理模块并进行数据预处理；

步骤二：深度森林模型滑动窗口过程改进；

步骤三：对级联森林部分中的随机森林改进；

步骤四：根据步骤一至步骤三中的数据预处理与改进的深度森林模型进行建模，并输出移动通信用户流失不平衡数据预测结果。

2.根据权利要求1所述一种面向移动通信用户流失不平衡数据预测方法，其特征在于建立两个数据预处理模块，处理数据集中的离群数据、缺失数据，并筛选关联性强的属性。

3.根据权利要求2所述一种面向移动通信用户流失不平衡数据预测方法，其特征在于建立一种改进的深度森林模型框架：(1)多粒度滑动窗口部分增加一个可选参数，可以分别控制多数类和少数类用户样本的滑动；

(2)针对不平衡数据集以及深度森林的特点，对级联森林部分进行改进，引入一种针对不同分类加权的改进算法。

4.根据权利要求3所述一种面向移动通信用户流失不平衡数据预测方法，其特征在于，如果级联森林中某颗决策树对样本分类成功，记该决策树h的P＝1若分类错误记P＝0；

P(Xi,h,c)＝1(h(Xi)＝Yi)

上式中，h表示随机森林中的决策树，Xi表示样本，Yi为流失用户标签，Yi＝1为流失用户，Yi＝0为非流失用户，c表示类别，有两个状态，maj类与min类；

计算每颗决策树对不同的用户分类有对应的权重值：

上式表示每个决策树h对不同用户分类有不一样的权重，nMAJ表示数据集中非流失用户的样本个数,nMIN表示数据集中流失用户的样本个数。

5.根据权利要求4所述一种面向移动通信用户流失不平衡数据预测方法，其特征在于得到每个决策树的分类权重后，下一步计算随机森林对每个用户样本基于该权重的投票值:上式表示每层中的随机森林对不同的用户样本Xi在不同分类决策树中获得的加权投票总和，其中vote()表示每个决策树的投票，同样投票的种类分为流失与非流失两种。

6.根据权利要求5所述一种面向移动通信用户流失不平衡数据预测方法，其特征在于获得该用户在随机森林上的总投票后，由于每层随机森林输出为用户分类的概率分布向量，则需要获取用户类别的概率分布：上式为获取用户类别的概率分布公式，ProMAJ代表非流失用户概率，ProMIN代表流失用户概率。

7.根据权利要求6所述一种面向移动通信用户流失不平衡数据预测方法，其特征在于获取该层随机森林上用户类别的概率分布向量[ProMAJ,ProMIN]，并与上述多粒度窗口滑动获取的增强特征向量一起组成新的特征向量，作为议下一层随机森林的训练集。

8.根据权利要求7所述一种面向移动通信用户流失不平衡数据预测方法，其特征在于最终改进的深度森林模型在经过多层次的随机森林学习后，算法获取的用户分类精度没有提升，则终止算法，并输出流失用户不平衡数据的最后预测分类结果。