随着“京东白条”“蚂蚁花呗”等互联网信贷模式的推出,社会信用体系的建设正逐渐完善,但如今规模最大的人民银行征信中心仍旧存有个人信用记录不完整和一部分有信用记录的公民并未登记入社会征信系统等问题,其主要原因是数据来源较狭窄,且数据多为金融和互联网行业所产生。如果运营商无法准确预测用户停机违约行为,那么不法分子将恶意破坏运营商秩序,如发虚假短信、套取账户透支额度等等,大大增加了运营风险。因此增加运营风险控制力度以及提高信用违约行为预测的准确性是运营商亟待解决的问题。为此,本文根据安徽移动提供真实数据,研究用户通信信用违约行为预测的模型。本文的主要研究工作如下:（1）为了提高模型的精度和预测的准确性,在安徽移动提供的原始数据基础上整理出六种维度用户数据,并对其进行处理和分析。六种维度数据分别为3个月内用户基本信息、通话信息、轨迹信息、上网信息和停机信息数据以及接下来1个月内的违约行为（欠费导致停机）数据。并从信用业务角度分析移动用户数据特征,研究并提出一套数据预处理方案:针对数据中的无序变量（应用分类）采用独热编码（One-Hot Encoding）处理;根据特征变量和分类变量（违约行为标识）的Person系数大小来解决数据相关性问题;通过观察特征变量热力图解决数据共线性问题;将用户轨迹信息表中的进入和离开时间的两种特征做相减操作后,根据“用户ID”筛选求和后新增“用户停留地总时间”特征,经、纬度的两种特征做去重、计数处理后再比较取较大值,得到“用户停留地总个数”特征;最后将六张特征表关联融合为一张表,相比较于单维度用户数据,对移动用户信息进行了更全面的采集和分析降低了模型训练的复杂度,使预测模型结果更加精确。（2）对训练集中的数据不平衡导致预测模型准确率低下的问题,本文采用SMOTE算法对训练集进行处理,进而有效对少数类别样本进行分析,采用最邻近规则分类技术（K-Nearest-Neighbors,KNN）对分析后的样本进行模拟得到人工新样本,将新样本添加到训练集中,使原始训练集中两类用户数量基本相等,达到平衡目的,实验结果证明,数据平衡操作减少了模型欠拟合和过拟合问题的发生。（3）在用户通信信用违约行为预测中,采用遗传算法来优化调参过程,建立一种GA-Light GBM模型来增强运营风险控制力度以及提高信用风险评估精度。该方法基于遗传算法（GA）可并行组合优化多参数的特点,对Light GBM模型的多个参数进行组合优化,通过模型评估指标值得出GA-Light GBM模型在调参时间以及性能方面都表现较优,再与传统的网格搜索法寻参后的Light GBM模型和两类传统的学习器（GBDT、决策树）进行比较,实验比较结果可证实GA-Light GBM模型各个方面表现更优异。（4）针对目前国内运营商多数是与第三方信用平台进行对接建设,没有形成自身风控信控的成熟模型问题,本文结合移动用户的基本信息、通话、上网、轨迹和停机信息和移动业务场景的需求,设计了一种基于GA-Light GBM预测模型的用户信用风险评估预测微服务器,此微服务器能够更加精准的预测并评估出各个移动用户的信用风险和星级,并将其应用于通信信用风险评价系统中,模型耗时短,节约了大量计算机资源,最后再针对运营商的运营风险控制力度较薄弱的问题上,设计了风险预警功能模块发送催收短信,并增加Web可视化界面可以方便工作人员管理。综上,基于遗传算法优化参数的Light GBM模型（GA-Light GBM）费时短且预测效果精确,更适合用于对用户的通信信用违约行为进行预测。在此基础上设计了基于GA-Light GBM的用户信用风险评估预测微服务器,运营商可以准确监测高风险人员从而降低运营风险,征信机构以此加强自身信用建设进而促进社会建立更全面的信用体系。