1.一种充电桩数据推送方法，其特征在于，包括以下步骤：

步骤S1：获取城市地理交通数据；利用城市地理交通数据进行充电桩区域分布分析，从而获取充电桩区域分布数据；根据充电桩区域分布数据进行充电桩使用历史数据抽取，从而获取充电桩使用历史数据；

步骤S2：根据充电桩区域分布数据对充电桩使用历史数据进行充电桩使用偏好特征提取，从而获取充电桩使用偏好特征数据；对充电桩使用偏好特征数据进行用户充电习惯挖掘，从而获取区域用户充电习惯数据；

步骤S3：利用城市地理交通数据进行电动车停留点特征提取，从而获取电动车停留时间特征数据；根据充电桩分布图数据进行区域充电桩关联权重因子提取，从而获取区域充电桩关联权重因子；基于区域充电桩关联权重因子进行区域停留电动车充电预测模型构建，从而获取区域停留电动车充电预测模型；

步骤S4：利用区域停留电动车充电预测模型进行区域电动车停留充电预测，从而获取区域电动车停留充电参数；根据区域电动车停留充电参数进行用户充电需求期望值计算，从而获取用户充电需求期望值；

步骤S5：根据用户充电需求期望值进行期望值判断，从而获取待匹配充电桩区域数据；对待匹配充电桩区域数据以及区域用户充电习惯数据进行区域用户充电需求匹配，从而获取待推送充电桩区域数据；根据充电桩区域分布数据对待推送充电桩区域数据进行特定区域用户充电数据推送，以实现充电桩数据推送工作。

2.根据权利要求1所述的充电桩数据推送方法，其特征在于，步骤S1包括以下步骤：步骤S11：获取城市地理交通数据；对城市地理交通数据进行数据标准化，从而获取城市地理交通标准数据，其中城市地理交通标准数据包括城市地理标准数据以及电动车交通标准数据；

步骤S12：利用城市地理标准数据进行充电桩分布分析，从而获取充电桩分布图数据；

步骤S13：对充电桩分布图数据进行区域划分并进行标注处理，从而获取充电桩区域分布数据；

步骤S14：根据充电桩区域分布数据进行充电桩使用历史数据抽取，从而获取充电桩使用历史数据。

3.根据权利要求2所述的充电桩数据推送方法，其特征在于，步骤S2包括以下步骤：步骤S21：根据充电桩区域分布数据对充电桩使用历史数据进行空间聚类分析，从而获取充电桩使用历史空间簇数据；

步骤S22：根据充电桩使用历史空间簇数据对充电桩使用历史数据进行充电桩使用偏好特征提取，从而获取充电桩使用偏好特征数据，其中充电桩使用偏好特征数据包括用户行为时序特征数据、使用频率趋势特征数据以及功率偏好特征数据；

步骤S23：对用户行为时序特征数据进行充电偏好时段聚类，从而获取充电偏好时段聚类数据；

步骤S24：对充电桩使用历史空间簇数据以及充电偏好时段聚类数据进行时序空间融合，从而获取时空用户充电偏好数据；

步骤S25：利用概率分布分析技术对时空用户充电偏好数据进行用户充电特征分布分析，从而获取用户充电特征分布数据；

步骤S26：对用户充电特征分布数据进行区域关联规则挖掘，从而获取区域用户充电习惯数据。

4.根据权利要求3所述的充电桩数据推送方法，其特征在于，步骤S22包括以下步骤：步骤S221：根据充电桩使用历史空间簇数据对充电桩使用历史数据进行用户行为时序特征提取，从而获取用户行为时序特征数据；

步骤S222：根据充电桩使用历史空间簇数据对充电桩使用历史数据进行充电桩使用频率分析，从而获取使用频率趋势特征数据；

步骤S223：根据充电桩使用历史空间簇数据对充电桩使用历史数据进行充电桩功率收集，从而获取充电桩功率数据；

步骤S224：利用用户行为时序特征数据对充电桩功率数据进行时间段功率偏好分析并进行功率充电时长分析，从而获取功率偏好特征数据。

5.根据权利要求1所述的充电桩数据推送方法，其特征在于，步骤S3包括以下步骤：步骤S31：利用城市地理标准数据对电动车交通标准数据进行空间对齐和映射，从而获取电动车交通空间对齐数据；

步骤S32：对电动车交通空间对齐数据进行空间区域划分，从而获取区域电动车轨迹数据；对区域电动车轨迹数据进行空间轨迹密度分析，从而获取空间轨迹密度热力图；

步骤S33：对区域电动车轨迹数据进行电动车停留点提取，从而获取电动车停留点数据；对电动车停留点数据进行电动车停留时间特征提取，从而获取电动车停留时间特征数据；

步骤S34：根据充电桩分布图数据进行区域充电桩关联权重因子提取，从而获取区域充电桩关联权重因子，其中区域充电桩关联权重因子包括区域充电桩高权重关联因子、区域充电桩中权重关联因子、区域充电桩低权重关联因子；

步骤S35：基于电动车停留时间特征数据、空间轨迹密度热力图以及区域充电桩关联权重因子进行区域停留电动车充电预测模型构建，从而获取区域停留电动车充电预测模型。

6.根据权利要求5所述的充电桩数据推送方法，其特征在于，步骤S34包括以下步骤：步骤S341：根据充电桩分布图数据进行周边环境特征采集，从而获取周边环境特征数据；根据周边环境特征数据进行区域与充电桩数据分析，从而获取区域与充电桩数据；

步骤S342：对区域与充电桩数据进行充电桩距离计算，从而获取充电桩距离数据；对区域与充电桩数据进行商业设施密度计算并进行工作场所分析，从而获取工商分布密度值；

步骤S343：当充电桩距离数据对应的距离值小于预设的充电桩标准距离值并且工商分布密度值大于预设的工商分布标准密度值时，对该区域与充电桩数据进行高权重赋值，从而获取区域充电桩高权重关联因子；

步骤S344：当充电桩距离数据对应的距离值小于预设的充电桩标准距离值并且工商分布密度值小于等于预设的工商分布标准密度值时，对该充电桩距离数据进行中权重赋值，从而获取区域充电桩中权重关联因子；

步骤S345：当充电桩距离数据对应的距离值大于等于预设的充电桩标准距离值并且工商分布密度值大于预设的工商分布标准密度值时，对该区域与充电桩数据进行低权重赋值，从而获取区域充电桩低权重关联因子；

步骤S346：当充电桩距离数据对应的距离值大于等于预设的充电桩标准距离值并且工商分布密度值小于等于预设的工商分布标准密度值时，将该区域与充电桩数据剔除。

7.根据权利要求1所述的充电桩数据推送方法，其特征在于，步骤S4包括以下步骤：步骤S41：利用区域停留电动车充电预测模型进行区域电动车停留充电预测，从而获取区域电动车停留充电参数；

步骤S42：对充电桩分布图数据以及充电桩使用历史数据进行时间维度划分，从而获取时间维度划分数据；

步骤S43：根据时间维度划分数据对充电桩分布图数据以及充电桩使用历史数据进行空间热点分析，从而获取时间维度充电热点图；

步骤S44：利用充电需求期望值计算公式根据区域电动车停留充电参数以及时间维度充电热点图进行用户充电需求期望值计算，从而获取用户充电需求期望值。

8.根据权利要求7所述的充电桩数据推送方法，其特征在于，步骤S44中用户充电需求期望值计算，其中用户充电需求期望值计算公式具体为：式中，D表示电动车停留充电需求期望值，n表示区域内充电桩的总数量，F表示充电桩的容量因子，L表示充电桩被使用的频率，C表示充电桩的电量容量，P表示电动车到最近充电桩的距离，S表示停车所在地段的特征值，H表示区域内不同时间段的充电热点分布值。

9.根据权利要求1所述的充电桩数据推送方法，其特征在于，步骤S5包括以下步骤：步骤S51：当用户充电需求期望值大于等于预设的标准用户充电需求期望值时，对用户所在的区域进行区域标注处理，从而获取待匹配充电桩区域数据；

步骤S52：对待匹配充电桩区域数据以及区域用户充电习惯数据进行区域用户充电需求匹配，从而获取待推送充电桩区域数据；

步骤S53：根据充电桩区域分布数据对待推送充电桩区域数据进行特定区域用户充电数据推送，以实现充电桩数据推送工作。

10.一种充电桩数据推送系统，其特征在于，用于执行如权利要求1所述的充电桩数据推送方法，该充电桩数据推送系统包括：充电桩使用历史数据抽取模块，用于通过获取城市地理交通数据；利用城市地理交通数据进行充电桩区域分布分析，从而获取充电桩区域分布数据；根据充电桩区域分布数据进行充电桩使用历史数据抽取，从而获取充电桩使用历史数据。

用户充电习惯挖掘模块，用于通过根据充电桩区域分布数据对充电桩使用历史数据进行充电桩使用偏好特征提取，从而获取充电桩使用偏好特征数据；对充电桩使用偏好特征数据进行用户充电习惯挖掘，从而获取区域用户充电习惯数据；

区域充电桩关联权重因子提取模块，用于通过利用城市地理交通数据进行电动车停留点特征提取，从而获取电动车停留时间特征数据；根据充电桩分布图数据进行区域充电桩关联权重因子提取，从而获取区域充电桩关联权重因子；基于区域充电桩关联权重因子进行区域停留电动车充电预测模型构建，从而获取区域停留电动车充电预测模型；

用户充电需求期望值计算模块，用于通过利用区域停留电动车充电预测模型进行区域电动车停留充电预测，从而获取区域电动车停留充电参数；根据区域电动车停留充电参数进行用户充电需求期望值计算，从而获取用户充电需求期望值；

特定区域用户充电数据推送模块，用于通过根据用户充电需求期望值进行期望值判断，从而获取待匹配充电桩区域数据；对待匹配充电桩区域数据以及区域用户充电习惯数据进行区域用户充电需求匹配，从而获取待推送充电桩区域数据；根据充电桩区域分布数据对待推送充电桩区域数据进行特定区域用户充电数据推送，以实现充电桩数据推送工作。