电信行业在每个国家都扮演着重要的作用,同时也存在着激烈的竞争。自从进入21世纪之后,我国的电信行业就飞速地扩张,在移动电话、固定电话、网络线路等多个业务领域深入到人们的生活中。随着近几年市场的饱和,电信客户流失问题越来越受到电信运营商的关注。实际上,电信客户流失始终是电信行业重点关注的领域,其中因为移动电话本身具有的流动属性,移动电话客户的流失最为严重也最受关注。在我们国家,电信客户流失之所以持续受到关注,可以概括在两个方面:一方面,随着中国移动电话市场真正达到饱和阶段,国家政策指导完善携号转网策略,极大地提升了移动电话客户更换电信服务商的便利性,诱发了更高的流失率;另一方面,电信运营商对数据的采集维度增加,采集频率越来越高,传统的建模预测方法可能无法充分挖掘数据的信息,需要提出适应于当前数据量和数据维度的建模方法。目前学术界对客户流失预测的方法主要集中在几个方向:针对数据不平衡问题提出特定的采样策略再配合传统分类器;使用经典的生存分析方法,从生存数据的角度对客户流失进行建模,分析不同因素对客户生存时间的影响;使用多种典型的分类器进行融合,使用加权的方法提高预测精度;使用深度学习模型,利用多隐藏层尽可能提取有用特征进行建模。但是,这些方法有一些缺点:（1）无法应对当前数据颗粒度的细化,以及因此而出现的具有时间序列特性的动态数据;（2）需要进行复杂的人工工程,过程不够智能化。本文从生存分析模型的构建为切入点,提出了一个端到端的时变深度生存（TVDLS,Time-Varying Deep Learning based Survival）模型。首先,使用标准循环神经网络（RNN）对动态数据进行编码,替代繁琐的特征工程的同时能够自动地、更加充分地抽取动态数据的信息;接着使用门限循环单元网络（GRU）构建时变深度生存模型,在生存分析模型中对损失函数进行了修改以适应客户流失数据的生存属性,具体来说相比于经典的损失函数增加了对非删失数据在事件发生时间点之前存活概率的拟合,能够具有更好的学习效果。本文模型在两个层面与之前的方法进行比较:（1）与经典的生存分析模型、深度生存分析模型比较生存函数的拟合能力,使用C-index和ANLP两个指标进行比较,均得到更好的效果;（2）与特征工程配合机器学习的方法进行流失预测精度的比较,使用AUC和MP两个指标进行比较,在AUC指标上能够得到更优的效果。最后,本文进行子集分析,考虑几种不同的客户数据时序变动情况,分析本模型是否能够充分学习到这种变动情况,实验表明本文模型的表现更优,这能够帮助业务人员对具体的群体进行更准确地预测的。