1.基于条件Wasserstein GAN的电信客户流失预测方法，其特征在于：该方法包括以下步骤：S1：基于WGANGP和CGAN的综合GAN模型对电信客户数据集进行处理，引入混合注意力机制CBAM使生成器更加关注与目标相关的特征；

S2：引入混合注意力机制辅助训练生成器；

S3：生成器将结果输出给分类器，分别采用随机森林、逻辑回归、支持向量机和朴素贝叶斯机器学习分类器进行客户流失预测；

所述S1中，所述WGANGP和CGAN衍生自原始的Vanilla GAN，原始GAN是一个通过对抗过程学习生成模型的框架，由生成器G和鉴别器D两部分组成；其中，G的目标是生成与真实数据无法区分的数据样本；D的目标是区分真实数据样本和由G生成的合成样本；其目标函数如公式(1)所示：其中，x是从真实数据分布pr中采样的样本，Ρr是真实数据分布，Ρg是由 z～p(z)隐式定义的生成数据分布，其中z是从任意噪声分布p中采样的；

在最优判别器下，最小化G的loss等价于最小化Ρr与Ρg之间的JSD，JSD是一个常数；

WGAN使用Wasserstein‑1距离来衡量真实数据分布和生成数据分布之间的距离；

Wasserstein‑1距离的公式如下：

其中，Π(Ρr,Ρg)表示真实数据分布Ρr和生成数据分布Ρg的整个可行联合分布集γ(x,y)，x和y分别表示从Ρr和Ρg中采样得到的一个真实样本和生成样本；

以使用Kantorovich‑RubinsteinDuality定理将公式(2)进行转换得公式(3)：其中，K是一个常数，||f||L表示函数f的Lipschitz常数；并且要求||f||L≤K，通过将神经网络的权重裁剪到某个范围[‑c,c]来满足此约束；WGAN的目标函数如公式(4)所示：设置一个额外的loss项来实现1‑Lipschitz限制，WGANGP的目标函数如公式(5)所示：其中λ是梯度惩罚系数， 是沿着真实数据分布Ρr和生成数据分布Ρg之间的连线上随机插值采样得到值， ε Uniform[0,1]；

~

CGAN能够生成属于特定类别的样本，得到CGAN的目标函数公式如下：鉴别器的分类任务通过引入一个辅助分类器GAN来实现；辅助分类器AC旨在预测给定样本的类别标签AC(x)＝Ρ(y|x)；并且AC的交叉熵损失也被添加到生成器损失中，以调节生成器生成属于特定类别的样本；

CWGAN的目标函数变为：

2.根据权利要求1所述的基于条件Wasserstein GAN的电信客户流失预测方法，其特征在于：所述S2中，混合注意力机制CBAM包括两部分内容：通道注意力模块CAM和空间注意力模块SAM；CBAM的整个注意力过程如下：C×H×W C×1×1 1×H×W

其中，F是输入特征图F∈R ，Mc∈R 和Ms∈R 分别是通道注意力模块和空间注意力模块；

CAM：对于输入特征图F，首先在每个空间位置上应用平均池化和最大池化操作，生成平C×1×1均池化特征 和最大池化特征 并以此来生成各自的通道注意力图Mc∈R ；然后将其分别送入一个共享的多层感知机MLP，最后使用逐元素求和来合并输出特征向量，就得到通道注意力图，其公式表达为：其中，σ表示sigmoid激活函数，avgpool表示平均池化，maxpool表示最大池化，W0和W1分别是MLP中各层的权重参数；

SAM：空间注意力是对通道注意力的一个补充；SAM接收到CAM输出的特征图后，首先在每个通道上应用最大池化和平均池化，得到平均池化特征 和最大池化特征 然后将它们连接起来并通过标准卷积层进行卷积，就得到空间注意力图，其公式表达为：

7×7

其中，f 表示卷积核大小为7×7的卷积操作。

3.根据权利要求2所述的基于条件Wasserstein GAN的电信客户流失预测方法，其特征在于：所述S3具体为：对于数值列，采用均值对缺失值进行填补；对于分类列，则采用独热向量编码，先将其转换成数值类型，然后利用众数对缺失值进行填补；然后进行特征相关性分析，剔除掉与目标列最不相关的特征；对于数值列，采用线性函数归一化min‑max scaling使结果映射到[0,1]，满足以下公式；

其中，xmax为最小值，xmin为最大值。