1.一种基于价值细分和集成预测的快递客户流失预测方法，其特征在于：包括客户价值细分模块、流失预测以及预警模块、个性化挽留模块，所述客户价值细分模块用于客户价值测算以及客户分类，该模块采用改进RFM模型设计出LSRMT客户价值细分模型，并引入相关指标，对指标值进行初始等级划分，然后根据指标权重的双目标约束模型确定指标权重，最终通过对指标价值指数求和计算客户最终价值得分，实现对客户的分类；

所述流失预测以及预警模块包括网点客户流失量预测模块和单个客户流失率预测模块，所述网点客户流失量预测模块包括客户流失的影响指标体系的构建、黑猩猩优化算法的改进以及使用改进的黑猩猩优化算法和XGBoost融合的客户流失量预测模型进行流失量预测；所述单个客户流失率预测模块主要包括客户信息系统构建以及集成学习模型预测单个客户流失率，基于客户的原始行为数据生成新的特征属性，构建客户信息系统，并采用多种集成学习模型作为基预测分类器，选取部分特征作为属性特征子集对上述基预测分类器进行训练，然后通过线性分类器训练出子模型的权重，最后根据加权结果做出客户是否流失以及流失率的预测；

所述预警及个性化挽留模块用于针对客户流失的影响指标体系和客户的价值重要程度，对不同价值客户提供个性化挽留方案，该模型建立排队时长这一影响指标与客户流失的目标约束模型，在实现客户流失损失最小的前提下为企业提供更加真实可信的数据支撑。

2.根据权利要求1所述的一种基于价值细分和集成预测的快递客户流失预测方法，其特征在于：所述客户价值细分模块包括以下步骤：Step1：定义以下客户价值指标，客户关系时长L，客户寄件活跃度S，客户收件活跃度R，客户平均花费金额M，客户信任度T，根据整理的数据集对指标进行初始等级划分 ，                           （1）其中，j=1,2,3,4,5；a表示下阈值，b表示上阈值，具体取值根据实际数据集进行合理的分箱选取即可；

Step2：根据已选取的客户样本数据测算价值指标的价值信息 ，将数据代入基于价值信息 不确定性和指标权重 和样本权重分量 一致性最小的双目标约束优化模型，求得较优权重：                           (2)价值信息不确定性目标函数：

                  （3）

权重一致性目标函数：

                   （4）

约束条件：

                         （5）其中，m为所选取客户指标的样本数， 表示第j个指标的权重， 表示第i个样本，第j个指标的权重分量；

Step3：根据初始价值得分和指标分配的权重计算客户当前指标的价值指数 ，用来表示客户在每个指标层的得分，计算公式如下：根据客户的各项指标的价值指数 ，求和得到总价值得分 ，               （6）

Step4：根据客户总价值得分 对客户进行排序划分价值等级。

3.根据权利要求1所述的一种基于价值细分和集成预测的快递客户流失预测方法，其特征在于：所述网点客户流失量预测模块，包括以下步骤（1）构建影响客户流失的指标体系；

（2）构建改进的黑猩猩优化算法，并对模型进行训练得到相关参数；

（3）构建并优化BSGChOA_XGBoost模型训练；

（4）预测不同指标下的客户流失量。

4.根据权利要求3所述的一种基于价值细分和集成预测的快递客户流失预测方法，其特征在于，所述步骤（1）中包括以下步骤，影响客户流失的指标体系为包括目标层、准则层以及指标层的3层指标体系集。

5.根据权利要求3所述的一种基于价值细分和集成预测的快递客户流失预测方法，其特征在于，所述步骤（2）中包括以下步骤，Step1：初始化优化黑猩猩算法的相关参数设置；

Step2：生成初始种群，对初始种群位置进行改进Bernoulli混沌映射，引入随机变量因子提高初始种群的均匀分布，通过混沌映射关系在［0，1］区间产生混沌序列，然后将其转化到个体的搜索空间，生成初始种群；

             （7）

其中，i表示当前种群规模，k表示混沌映射的变量序号， 表示第k次映射函数值；

Step3：计算黑猩猩种群中每个个体的适应度，并选择适应度最优的前5个个体位置，分别记录为 、 ， ；

Step4：更新因为收敛因子 和系数向量a和c，                      （8）                      （9）                         （10）其中， 为最大迭代次数，k为调节因子，

；

Step5：侦查者 位置更新，其余个体根据侦查者当前的位置信息判断是否采取狩猎行动，如果当前猎物逮捕成功率 大于最低逮捕率 时，攻击者、障碍者、驱赶者、追逐者立即采取狩猎行动，侦查者则继续寻找下一个猎物，按照映射后的初始化种群信息以及侦查者与其他黑猩猩个体的位置关系更新其位置信息，公式如下：         （11）

其中， 表示当前逮捕率， 表示最低逮捕率， 表示[0，1]之间的随机因子，SND为服从标准正态分布的随机数；

Step6：侦查者位置更新后其余个体进入搜索迭代阶段，首先更新随机因子 ，判断当前是进入全局搜索还是局部搜索，若 ，则进入全局搜索阶段；在全局搜索阶段，引入一种随迭代次数变化的自适应因子 ，根据因子变化曲线更新种群中黑猩猩个体位置，公式如下：                      （12）           （13）

                （14）

                （15）

                 （16）

             （17）

                           （18）Step7：若 ，进入局部搜索阶段，在局部搜索阶段，为防止算法迭代前后期可能会出现的局部最优，引入迭代次数的判断逻辑，判断当前迭代次数t是否小于指定迭代次数，若是，则更新转换参数 ，并使用改进的正弦余弦算法更新攻击者位置信息；反之，则对攻击者位置进行高斯变异，引入正弦余弦算法后种群中攻击者的位置更新公式为：（19）

其中， 表示第t次迭代中攻击者的位置， 为随机数， ，， ， 表示当前最优个体的位置，为转换参数，计算公式为：                 （20）

其中， ， 分别是转换参数的最大值和最小值， 为最大迭代次数，对攻击者位置进行高斯变异的数学模型如下：

               （21）

其中， 是当前黑猩猩个体的位置向量，k是[0,1]之间递减变量， 是服从均值为0方差为1的高斯分布随机向量；

Step 8：根据得到的新解计算新的适应度和最优个体以及位置信息，并检验当前算法是否满足迭代终止条件，若达到最大迭代次数 ，则终止并输出最优位置，否则返回并重新执行Step4。

6.根据权利要求4所述的一种基于价值细分和集成预测的快递客户流失预测方法，其特征在于：所述步骤（3）中构建XGBoost模型时，分别以各类影响指标下客户流失量的时序调查数据为主要特征输入，与之对应的影响流失的影响指标为标签，通过黑猩猩优化算法模型优化各参数取值，以最小化目标函数，建立起最优的树结构模型，具体包括以下步骤：Step1：在BSGChOA_XGBoost模型训练阶段，通过黑猩猩优化算法优化得到预测模型所需的初始参数，Step2：选取影响指标集的准则层中部分的样本数据作为训练集用来模型训练和参数优化，计算模型的适应度函数值，此函数值表示黑猩猩优化算法每次运行得出的最优解，剩余的样本作为测试集对模型的性能进行最后的评估，并对训练集进行采样预测，然后对预测结果取平均得到最终预测结果，Step3：利用测试集验证训练的模型，根据预测算法的适应度函数值评估各个参数的取值是否达到当前最优值，如果是，则替换原有参数；反之则继续保留当前的参数；

Step4：检验算法是否满足迭代终止条件，若达到最大迭代次数，则终止并输出迭代过程各参数的最优值，否则返回并重新执行Step2。

7.根据权利要求1所述的一种基于价值细分和集成预测的快递客户流失预测方法，其特征在于，所述单个客户流失率预测模块包括以下步骤：Step1：生成客户各类数据特征，构建客户信息系统；

Step2：根据客户信息系统信息，使用二层集成学习算法对单个客户流失率情况进行预测，第一层：

1）选取n个基分类器并进行标记；

2）分别选择特征属性集 ， 生成数据集D1和D2，前m个基分类器分别把数据集D1和D2作为输入集，用于训练样本集的训练，分别得出m个预测结果 ， 作为剩余n‑m个分类器的输入数据，得出n‑m个预测结果 ；

3）针对以上n种个体模型的训练结果，进行算法集成，构建n维特征向量；

第二层：

1）把上述的输出特征向量P作为线性分类器的输入，通过梯度下降的方法，学习出集成模型中每一类模型的权重 ，得出基于以上n个基预测模型的最终预测结果为 ，然后，通过加权预测客户流失的最终概率，                （22）

其中， 表示第j个模型生成的流失预测概率， 表示分配到第j个模型的权重。

8.根据权利要求7所述的一种基于价值细分和集成预测的快递客户流失预测方法，其特征在于，所述步骤Step1中的数据特征从客户基础特征 、订单特征 、客户‑订单交互特征 以及订单活跃度特征 中生成。

9.根据权利要求1所述的一种基于价值细分和集成预测的快递客户流失预测方法，其特征在于，所述客户挽留方案设计模块，包括以下步骤：Step1：参考所述预测模型预测出的客户流失率和客户流失量，率先对流失概率最大的客户进行回访，并提供老用户回归的优惠活动；

Step2：针对排队时长 这一影响网点客户流失的影响指标，构建客户流失与等待时长、服务强度以及队伍长度的目标约束模型，目标函数为：

                     (23)约束条件为：

                       （24）其中，为平均服务强度，

为服务人员所能承受的最大服务强度，

为客户的平均等待时间，

为客户所能承受的最长逗留时间，

为平均队伍长度。