随着科学技术与互联网的快速发展,学习资源的产出与共享出现了新的发展方向。在2020年春季学期,COVID-19新冠疫情爆发了,在“停课不停学”的要求下,线上教育平台成为了老师学生们的网络课堂。对于线上教育平台而言,利用平台客户数据预测出潜在的流失客户并制定相关对策对于线上教育平台的发展有着重要意义。目前基于数据挖掘技术的客户流失预测研究较多,但绝大多数都是针对银行和电信行业的,关于线上教育平台客户流失预测的研究较少。而在线上教育的领域中,大多数线上教育平台的重心放在如何通过优质课程或者师资力量吸引更多客户,忽略了平台的客户流失问题。本文旨在研究一种新的混合模型以提升线上教育平台对流失客户的预测能力。本文通过选取线上教育平台的客户数据集,以线上教育平台客户作为研究对象,结合梯度提升决策树与深度信念网络的思想,提出了GBDT-DBN混合预测模型来预测潜在的流失客户。GBDT-DBN混合预测模型具有自动特征组合的功能,相较于传统深度学习模型有着更快的收敛速度且不容易陷入局部最优。本文首先分析了国内外学者对于客户流失预测问题的研究方法,并决定将研究领域聚焦于线上教育行业。其次,介绍了本文中所运用到的相关理论与技术,如客户流失问题定义、受限玻尔兹曼机、BP神经网络、梯度提升决策树等。随后介绍了线上教育平台客户数据集并对原始数据集进行数据理解、数据清洗、数据变换、新特征构造、特征选择等一系列操作,生成适合输入模型的数据集。最后使用梯度提升决策树生成新特征,同时结合深度信念网络建立GBDT-DBN混合预测模型。GBDT-DBN混合预测模型的准确率、精准率、召回率和F1值分别达到了96.08%、93.45%、92.34%和92.98%,相较于其他主流算法的预测效果有明显提升,证明了本文提出的GBDT-DBN混合预测模型能够有效地提升线上教育平台对于流失客户的预测能力。