随着经济全球化和国际化进程的加快,出境服务市场迎来良好的发展契机,同时业内竞争也日趋激烈。在激烈的市场竞争环境下,实现差异化竞争是出境服务企业提升自身竞争力的重要途径。作为出境服务市场的核心,预出境用户的准确识别,对于出境服务产品的精准投放、高效的出入境管理起到决策性作用。大数据和数据科学技术的发展,极大地推进了对行业特定用户的精确挖掘研究。综上,本论文从用户的移动终端信息交互数据着手,利用运营商大数据进行预出境用户的特征挖掘和识别算法设计,实现预出境用户的精确识别。本论文利用深度包检测技术和爬虫采集应用程序的数据包解析信息、出境服务电话信息、出境服务机构的基站位置信息,然后基于规则构建移动用户行为分析参考字段库,最后通过运营商大数据和参考字段库关联匹配,挖掘潜在目标用户并提取用户的时空行为特征和静态特征。本论文提出一种基于最大信息系数和对称不确定性的相关性度量标准,然后基于Fisher准则、度量标准和马尔科夫毯条件,提出一种基于Fisher分和近似马尔科夫毯的移动用户出境特征选择算法。本论文首先提出一种基于多层分类器特征融合的预出境用户识别方法,该方法首先利用贝叶斯优化算法寻找模型最优参数,接着利用第二层分类器对第一层分类器的输出特征进行递进学习,然后融合前两层分类器的输出特征构建交互特征,最后利用高效梯度提升决策树模型对交互特征进一步拟合学习和预测。接着提出一种基于多层感知机网络的预出境用户识别方法,该方法利用特征映射函数构建非线性特征,通过随机梯度下降法寻找多层感知机网络的权重系数,利用最优多层感知机网络模型对非线性特征进一步拟合学习和预测。最后,利用测试数据集对两种识别算法进行验证。实验表明,本文提出的第一种识别算法准确率达97.41%,第二种识别算法准确率达97.53%,两种识别算法均明显优于单一模型、投票法融合模型和学习法融合模型。整体来讲,本文的两种识别算法均能更好地学习特征,大幅度提升分类性能,且第二种算法相比第一种更优,可作为最佳算法应用于预出境用户的精确识别。