随着娱乐多样性对游戏玩家的分流与手机游戏行业竞争的愈演愈烈,玩家流失成为游戏业务层需要解决的难题,有效的留存手段与回流策略制定能提高游戏整体利润。然而现有的方案仅局限于具体游戏,且日志数据均为静态数据而不是动态数据,现有方案仅针对玩家流失预测而未对流失原因做进一步猜测与分析。在本论文中,主要通过引进开源社区中数据收集、中间数据缓存、实时计算等大数据技术,设计从日志数据收集、数据汇聚与流失预测分析的方案,并借助长短期记忆网络（LSTM）,运用玩家的时间序列数据提高预测准确率,且利用预测结果运用统计分析法进一步猜测流失原因。本文集中关注玩家数据的合理存储、实时分析汇聚、预测流失分析三个问题。本文的主要工作包括:首先,通过前期调研并分析手机游戏用户流失预测系统的需求,完成概要设计;其次借助大数据技术与深度学习技术具体实现系统:以Flume收集日志数据,Kafka作为日志数据缓冲中间件,并根据游戏日志数据特点选取HBase数据库存储数据,且针对HBase根据需求做相应优化,根据需求场景选择Flink作为计算平台;最后,针对某款游戏预测流失玩家,根据调研选取较为普遍的统计指标,借助Keras训练流失预测模型,并通过Flink借助Tensor Flow Java API调用训练模型进行预测,有效降低预测结果花费时长,最后整理出同一游戏不同版本中每类游戏事件中导致玩家流失的游戏元素。本文设计并实现了一个手机游戏用户流失预测系统,能够实现日志收集、日志汇聚与预测功能,测试与验证表明该系统满足预测要求。本文工作对于手机游戏用户流失预测系统的实现、游戏业务层提供预测流失玩家名单与原因分析报表、为游戏业务层留存玩家提供数据支撑等相关研究具有借鉴价值。