1.基于深度学习的游戏用户行为预测系统，其特征在于，包括常规行为预测生序模块、常规行为预测执行模块、异常行为快速确定模块；

所述常规行为预测生序模块用于周期性生成针对每个游戏用户的行为预测序列，基于行为预测序列依次对游戏用户的每种游戏行为进行预测；

游戏用户的行为预测序列生成过程如下：获取一个游戏用户面向各种游戏行为的潜在测异值，将各种游戏行为按照潜在测异值的数值由大至小依次进行排序，进而生成该游戏用户的行为预测序列；

游戏行为的潜在测异值获取过程如下：获取一种游戏行为在之前j个周期的行为预测值，将所有行为预测值按照周期的先后顺序依次排序，将排序后相邻的后一个行为预测值与前一个行为预测值进行对比，当后一个行为预测值大于前一个行为预测值时，将异常加剧次数增加一次，当后一个行为预测值小于等于前一个行为预测值时，不作处理，将异常加剧次数标记为Lvm，将排序后相邻两个行为预测值进行差值计算并取绝对值，得到行为摇摆值，将所有行为摇摆值进行求和处理并取均值，得到行为预测摇摆值Sew，将所有行为预测值进行求和处理并取均值，得到行为预测均值Mds，利用公式得到该种游戏行为的潜在测异值Bzx，其中，y1为预测摇摆系数，y2为行为预测系数；

所述常规行为预测执行模块在每对游戏用户的一种游戏行为进行预测后，获取该种游戏行为的行为预测值，基于行为预测值与行为预测分界值的比较结果，判定游戏行为是否为异常游戏行为；

所述异常行为快速确定模块当出现异常游戏行为时，将行为预测序列中异常游戏行为之后的所有游戏行为均标记为异常待解行为，获取各异常待解行为的异常同步值，将所有异常待解行为按照异常同步值的数值由小至大依次进行排序，生成该游戏用户的异常快速确定序列，基于异常快速确定序列依次对游戏用户的异常待解行为进行预测；

异常待解行为的异常同步值获取方式如下：确定一个异常待解行为，获取异常待解行为的历史行为解析值，同步获取异常游戏行为的历史行为解析值，将异常待解行为的历史行为解析值与异常游戏行为的历史行为解析值进行差值计算并取绝对值，得到异常待解行为的异常同步值；

历史行为解析值获取过程如下：获取一种游戏行为在之前d个周期的行为预测值，设置行为预测高值与行为预测低值，当行为预测值大于等于行为预测高值时，将预测超异次数增加一次，将预测超异次数标记为Phm，当行为预测值小于等于行为预测低值时，将预测理想次数增加一次，将预测理想次数标记为Xus，当行为预测值介于行为预测高值与行为预测低值之间时，将该行为预测值标记为常规预测值，将所有常规预测值进行求和处理并取均值，得到平均常规预测值Fzw，利用公式得到该种游戏行为的历史行为解析值Ldt，其中，a1为预测超异系数，a2为预测理想系数，a3为常规预测系数。

2.根据权利要求1所述的基于深度学习的游戏用户行为预测系统，其特征在于，每对游戏用户的一种游戏行为进行预测后，获取该种游戏行为的行为预测值，具体为：获取游戏用户针对一种游戏行为的游戏行为特征集，获取该游戏用户针对该种游戏行为的游戏行为预测模型，将游戏行为特征集作为游戏行为预测模型的输入数据，输出得到该种游戏行为的行为预测值。

3.根据权利要求2所述的基于深度学习的游戏用户行为预测系统，其特征在于，游戏用户针对一种游戏行为的游戏行为特征集获取过程如下：获取游戏用户针对同一种游戏行为在之前x个周期的游戏行为特征，将所有游戏行为特征以时序数据集的方式组成游戏行为特征集。

4.根据权利要求3所述的基于深度学习的游戏用户行为预测系统，其特征在于，一种游戏行为在一个周期的游戏行为特征获取过程如下：采集游戏用户在一个周期针对一种游戏行为的所有游戏行为数据，将所有游戏行为数据进行特征提取，得到游戏行为特征。