1.一种改进的Lasso+RBF神经网络组合预测模型，其特征在于，该模型的预测过程具体包括以下步骤：S1：通过对客户关系的生命周期特征做出界定，将客户关系的生命周期划分为获取阶段、提升阶段、成熟阶段、衰退阶段和流失阶段；

S2：流失阶段的客户为流失客户，将流失阶段的客户作为模型的训练集和测试集，其余

4个阶段的客户作为预测客户，并按照步骤S1给出的阶段的界定，将流失阶段的客户再次划分为获取阶段、提升阶段、成熟阶段和衰退阶段；

S3：将由流失客户划分出的4个阶段的客户，分别用Lasso回归提取特征，得到各个阶段对应的流失特征；

S4：基于步骤S3的各个阶段的特征，再分别训练每个阶段对应的RBF神经网络模型；

S5：将步骤S1得到的前4个未流失阶段的客户分别带入步骤S4训练出的对应阶段的模型中进行预测；

S6：最后将步骤S5得到的预测结果组合起来，即为将要预测的电信将要流失的客户集。

2.根据权利要求1所述的一种改进的Lasso+RBF神经网络组合预测模型，其特征在于，在步骤S1中，所述客户关系的生命周期特征的界定方法为：获取阶段：客户入网时间在一个月之内；

提升阶段：入网2～12个月||存在1，2次购买产品或业务的行为||1星级客户；

成熟阶段：入网12个月以上||2星级及以上客户||存在2次及以上购买业务行为；

衰退阶段：交易量下降||退订已订业务||支付速度放慢||支付费用持续走低；

流失阶段：客户状态明确为‘拆机’；

为了防止界定中的交集部分使提取不分明，需按照以下顺序进行提取：S11：提取流失阶段的数据集，得到流失客户；

S12：提取衰退阶段数据集；

S13：提取获取阶段数据集；

S14：提取成熟阶段数据集；

S15：最后剩余的为提升阶段数据集。

3.根据权利要求1所述的一种改进的Lasso+RBF神经网络组合预测模型，其特征在于，所述步骤S4具体包括：首先，将步骤S3中提取的各个阶段的特征作为输入神经元；输出神经元为单神经元，表示流失；其次，采用密度聚类算法获得流失客户的各个阶段客户数据集的核心对象点和半径，分别将其作为隐含层神经元基函数的中心点和扩展常数；然后，初始化隐含层神经元与输出神经元之间的权值，将基函数中心带入流失客户的各个阶段求出的Lasso回归方程，得到的值带入tanh函数，将tanh函数输出值作为该中心点的初始权值；最后，使用批量梯度下降方法训练权值，采用获取到的中心点和扩展常数，将中心点与其余数据点之间的距离小于扩展常数的点归为一个训练集，一次选取一个训练集传入模型，计算这个训练集的总误差，根据总误差来更新权值；

所述RBF神经网络的拓扑结构的确定，具体包括以下步骤：S41：确定输入层神经元，将步骤S3中Lasso回归提取的特征，作为输入变量；

S42：确定输出层神经元，采用单神经元表示流失；

S43：确定隐含层神经元；

S44：确定隐含层到输出层的权值。

4.根据权利要求3所述的一种改进的Lasso+RBF神经网络组合预测模型，其特征在于，在步骤S43中，所述确定隐含层神经元，具体包括以下步骤：S431：获取基函数的数据中心点C，采用DBSCAN密度聚类算法获取中心点，首先确定邻域的半径Eps和邻域的最小样本点数MinPts，步骤如下：

1)输入样本集D＝{x1,x2,...,xi,...,xn}；

2)通过欧式距离度量方式，找到样本点xi到集合D的子集S＝{x1,x2,...,xi-1,xi+1,...,xn}中所有点之间的距离，距离按照从小到大的顺序排序，得到样本点xi的距离集合ei；对集合D中的所有点都按照以上方式计算距离，得到所有点的距离集合E＝{e1,e2,...,ei,...,en}；

3)将E集合中每个元素集合中的元素组成一个新的集合E'，对集合E'进行升序排序后得到距离集合E”，拟合一条排序后的E”集合中的距离的变化曲线并绘制曲线，通过观察，将急剧发生变化的位置所对应的距离的值，确定为半径Eps的值；

4)确定MinPts的大小，将所取半径Eps对应的排序后的距离集合中对应的索引k，注意距离相同的元素对应的索引值相同，取MinPts＝K；

5)初始化核心对像集合

6)针对样本点xi的距离集合ei,如果样本xi的距离集合ei中满足：A＝{a|a∈ei&&a＜Eps}，|A|≥MinPts，则xi即为核心对象，P＝P∪{xi}；

7)输出核心对象集合P，将P作为RBF神经网络的隐含层神经元的基函数的中心；

S432：获取基函数的扩展常数σ，各基函数采用统一的扩展常数σ＝Eps；

S433：将|P|作为隐含层神经元的个数，将其中的核心对象作为各个隐含层神经元的基函数的中心，将Eps作为基函数的扩展常数。

5.根据权利要求4所述的一种改进的Lasso+RBF神经网络组合预测模型，其特征在于，在步骤S44中，所述确定隐含层到输出层的权值，具体包括以下步骤：S441：初始化权值，利用Logistic回归的思想，步骤如下：

1)将步骤S433中各个隐含层神经元的基函数的中心点ci代入求得的生命周期阶段对应的Lasso回归方程，得到值yi；

2)将yi代入tanh函数，进而得到[-1,1]之间的数值tanhi，tanhi则是该中心点对结果为‘1’的影响程度；

3)令中心点ci所在的隐含层神经元与输出层神经元之间的权值Wi0＝tanhi；

S442：使用批量梯度下降方法训练权值，采用步骤S431获取的基函数的中心点C和步骤S432获取的扩展常数σ，将中心点C与其余数据点之间的距离小于σ的点归为一个训练集，一次选取一个训练集的数据传入模型，计算这个训练集的总误差，根据总误差来更新权值。