1.一种用户流失的预测方法，其特征在于，所述方法包括：
利用历史的用户数据构建数据库，所述用户数据包括用户收视行为数据、客服业务域数据和业务运营支撑系统BOSS提供的业务域数据，所述业务运营支撑系统BOSS提供的业务域数据包括用户的自身属性数据，所述客服业务域数据包括用户的投诉数据，所述用户收视行为数据包括用户对频道的偏爱情况数据；
对所述历史的用户数据进行统计处理，得到处理后的用户数据；
对所述处理后的用户数据进行机器学习，得到用户流失特征模型；
利用所述用户流失特征模型对现有用户数据进行预测，得到现有用户中即将流失的用户以及现有用户即将流失的概率。
2.根据权利要求1所述的预测方法，其特征在于，所述利用历史的用户数据构建数据库，具体包括：
对历史的用户数据进行清洗、转化；
利用分布式文件系统HDFS、Spark汇编语言对所述清洗、转化后的所述用户数据进行处理和储存。
3.根据权利要求1所述的预测方法，其特征在于，所述对所述处理后的用户数据进行机器学习，具体包括：
利用R语言和spark mlib汇编语言对所述处理后的用户数据进行机器学习。
4.根据权利要求1所述的预测方法，其特征在于，所述对所述历史的用户数据进行统计处理，具体包括：
根据所述用户行为数据构建用户节目偏好矩阵；
根据所述业务运营支撑系统BOSS提供的业务域数据、客服业务域数据构建用户基本信息矩阵；
统计历史用户中的到期续费用户和流失用户，建立流失用户矩阵和保有用户矩阵；
所述用户节目偏好矩阵、用户基本信息矩阵、流失用户矩阵和保有用户矩阵为处理后的用户数据。
5.根据权利要求3所述的方法，其特征在于，所述对所述处理后的用户数据进行机器学习，具体包括：
将所述处理后的用户数据作为所述机器学习的输入，所述机器学习采用决策树算法，得到所述流失用户的特征模型和保有用户的特征模型。
6.一种用户流失的预测系统，其特征在于，
数据库构建模块，用于利用历史的用户数据构建数据库，所述用户数据包括用户收视行为数据、客服业务域数据和业务运营支撑系统BOSS提供的业务域数据，所述业务运营支撑系统BOSS提供的业务域数据包括用户的自身属性数据，所述客服业务域数据包括用户的投诉数据，所述用户收视行为数据包括用户对频道的偏爱情况数据；
统计处理模块，用于对所述历史的用户数据进行统计处理，得到处理后的用户数据；
机器学习模块，用于对所述处理后的用户数据进行机器学习，得到用户流失特征模型；
预测模块，用于利用所述用户流失特征模型对现有用户数据进行预测，得到现有用户中即将流失的用户以及现有用户即将流失的概率。
7.根据权利要求6所述的预测系统，其特征在于，所述数据库构建模块，具体包括：
清洗转化单元，用于对历史的用户数据进行清洗、转化；
处理存储单元，用于利用分布式文件系统HDFS、Spark汇编语言对所述清洗、转化后的所述用户数据进行处理和储存。
8.根据权利要求6所述的预测系统，其特征在于，所述机器学习模块，具体包括：
机器学习单元，用于利用R语言和spark mlib汇编语言对所述处理后的用户数据进行机器学习。
9.根据权利要求6所述的预测系统，其特征在于，所述统计处理模块，具体包括：
节目偏好矩阵构建单元，用于根据所述用户行为数据构建用户节目偏好矩阵；
基本信息矩阵构建单元，用于根据所述业务运营支撑系统BOSS提供的业务域数据、客服业务域数据构建用户基本信息矩阵；
用户矩阵统计单元，用于统计历史用户中的到期续费用户和流失用户，建立流失用户矩阵和保有用户矩阵；
所述用户节目偏好矩阵、用户基本信息矩阵、流失用户矩阵和保有用户矩阵为处理后的用户数据。
10.根据权利要求8所述的系统，其特征在于，所述机器学习单元，具体包括：
机器学习子单元，用于将所述处理后的用户数据作为所述机器学习的输入，所述机器学习采用决策树算法，得到所述流失用户的特征模型和保有用户的特征模型。