1.一種基于多模型融合的潛在換機用戶發(fā)現(xiàn)方法，其特征在于，包括以下步驟：
(1)數(shù)據(jù)采集和預處理，收集用戶的基本信息和用戶歷史換機軌跡信息，刪除異常信息，處理缺失信息，對數(shù)值型信息進行歸一化處理；利用時間窗口劃分訓練集、驗證集和測試集；
(2)特征構建，根據(jù)步驟(1)訓練集和測試集中的數(shù)據(jù)提取出基本信息，以及對基本信息進行擴展得到原始特征；對原始特征分別進行排序得到排序特征；用皮爾遜相關系數(shù)衡量原始特征和目標之間變量的相關性，構建多項式特征；將訓練集和測試集中的無關聯(lián)屬性特征作為離散特征；
(3)模型構建及模型融合，分別構建樹型模型、超平面模型和惰性模型中的典型的分類器Xgboost、LIBSVM和KNN，用訓練集中的數(shù)據(jù)分別對Xgboost，LIBSVM和KNN進行訓練，再用訓練后的Xgboost、LIBSVM和KNN分別訓練測試集；
(4)用步驟(3)所述Xgboost、LIBSVM和KNN分類器分別對未知樣本進行預測，得到的多個預測結果進行加權投票為最終的預測結果。
2.根據(jù)權利要求1所述一種基于多模型融合的潛在換機用戶發(fā)現(xiàn)方法，其特征在于：所述用戶的基本信息和用戶歷史換機軌跡信息從運營商的用戶最近1年消費信息中獲取。
3.根據(jù)權利要求1或2所述一種基于多模型融合的潛在換機用戶發(fā)現(xiàn)方法，其特征在于：所述步驟(1)中還包括根據(jù)用戶歷史換機軌跡信息對用戶打標簽，具體為：過濾換機時間小于20天的用戶歷史換機軌跡；統(tǒng)計用戶在整個考察時間窗內(nèi)使用的手機機型集合(PA)和考察時間窗之前使用的手機機型集合(PB)，若集合PA和PB存在差異，那么用1標注該用戶為換機用戶，否則用0標注該用戶不是換機用戶。
4.根據(jù)權利要求1所述一種基于多模型融合的潛在換機用戶發(fā)現(xiàn)方法，其特征在于：所述異常信息是指用戶的特征缺失率大于50％，則刪除。
5.根據(jù)權利要求1所述一種基于多模型融合的潛在換機用戶發(fā)現(xiàn)方法，其特征在于：所述處理缺失信息包括，當用戶在某一個時間段內(nèi)使用的手機缺失，按照時間點向后滾動，即用用戶的下個時間段的手機參數(shù)填充該缺失，若用戶的下個時間段內(nèi)手機也存在缺失，那么向前滾動，即用用戶的上個時間段的手機參數(shù)填充該缺失。
6.根據(jù)權利要求1所述一種基于多模型融合的潛在換機用戶發(fā)現(xiàn)方法，其特征在于：所述Xgboost分類器的構建方法如下：分別對原始特征、排序特征、離散特征、多項式特征進行特征選擇，按照特征重要性排序，在原始特征中選取前N1個特征，在排序特征中選取前N2個特征,在離散特征中選取前N3個特征，在多項式特征中選取前N4個特征，參數(shù)N1，N2，N3，N4隨機取值，但N1，N2，N3，N4分別小于原始特征個數(shù)、排序特征個數(shù)、離散特征個數(shù)、多項式特征個數(shù)，Xgboost模型參數(shù)在±0.5圍內(nèi)隨機擾動，生成多個不同的Xgboost模型，所有的模型投票得到最終的Xgboost模型。