聚合支付平台每天能够收集到海量的线下门店交易数据,这些数据是在平台上进行业务分析以及研发智能化服务的基础。通过对海量的商户信息和交易流水数据进行分析和挖掘可以得到商户的潜在特征,从而能够为商户提供个性化服务,并对平台的相关业务进行优化。本文关注的是聚合支付平台的商户流失预测问题,从业务场景出发提出了适用于聚合支付平台的特征工程方法,能够帮助业务部门了解商户流失的原因;并针对静态特征与时序特征融合的问题设计了全新的时间序列模型Mf GRU（Modality-fusion GRU）,有效提升了预测结果的准确率;此外针对数据中的类重叠问题设计了全新的自步学习算法DSPL（Deep Self-paced Learning）,极大提升了对流失商户的召回率。本文主要工作包括以下几个方面:1.提出了聚合支付平台的特征工程方法:现有的相关工作在特征提取阶段大多只考虑交易金额的统计学特征,如最值、均值、方差等等。这些特征反映的信息比较局限,并且与业务联系不紧密。本文从应用场景出发,提出了三大类特征,其中商户特征用于描述商户的固有属性,交易流水特征用于描述商户的经营模式和经营状况,风控特征用于反映商户刷单套现等异常行为。本文提取的特征能够帮助业务部门更清楚地了解商户流失的原因。2.设计了多模态时间序列模型:考虑到交易数据存在时序性,本文使用了时间序列模型建模以提升预测的准确率。此外,考虑到静态特征能提供与商户的固有属性、经营模式相关的信息,应在时间序列模型中融入静态特征以进一步提升预测准确率。但传统的时间序列模型不能直接输入静态特征,常见的方法是将静态特征与时序特征拼接或者与模型输出的表征拼接,这些方法并不高效,也无法让静态特征和时序特征充分交互。本文提出了一种全新的时间序列模型Mf GRU,模型的门控单元可以同时输入时序特征和静态特征,充分挖掘两个模态所包含的信息。实验结果证明Mf GRU要优于其他模型。3.提出了深度自步学习算法:本文的数据存在严重的类重叠现象,已有研究表明自步学习可以处理类重叠问题,但是传统的自步学习算法难以应用于深度学习模型的训练。本文提出了一种全新的自步学习算法DSPL,可以将自步学习算法以“插件”的形式与深度学习模型的训练相结合。DSPL算法通过全新的自步采样机制有效处理了数据中的类重叠问题,极大地提升了对流失商户的预测准确率。采用本文提出的方法进行商户流失预测,得到的F1分数为0.635,与目前实际使用的方法相比提高了31.5%。本文的数据分析方法和流失预测模型能够有效地分析商户流失原因,减少商户流失数量。这对企业降低运营成本、提升竞争力、保持长期效益具有重要意义。