1.基于多源数据驱动的银行网点选址推荐方法，其特征在于，包括以下步骤：步骤一、获取包括银行网点基站数据、移动用户轨迹数据、移动用户工作地居住地数据、移动用户上网信息数据以及移动用户所属银行数据的移动信令数据，以及获取包括本地公交数据、网络数据、地图数据以及周边房价数据的银行网点周边数据；

步骤二、根据获取的数据对目标银行网点构造包括人流量、用户价值、交通拥堵指数、周边竞争网点数和人均收入特征；

人流量特征：确定选址范围内基站信息，利用移动信令数据统计该范围内移动用户数，通过去重处理，统计记录条数，作为人流量特征；

用户价值特征：根据移动用户上网信息数据以及移动用户所属银行数据构造用户价值特征；其中，用户价值的计算方法包括：建立出以上层为用户价值，下层为影响价值的三个指标的阶梯层次结构；计算下层的三个指标对用户评分的影响权重，构建对比矩阵，即对各指标的影响权重进行两两比较，得T到对比矩阵A，并计算出其最大特征值 与其特征向量a＝（a1，a2，a3）；在具有满意的一致性检验要求下，求得用户价值 为： ；表示移动用户使用银行金融app的次数， 表示移动用户在银行的支付信息， 表示移动用户是否属于待选址银行网点的客户，其中b1、b2为归一化后的值，b3为01值，即b3等于0或1；三个指标依次为移动用户使用银行金融app的次数指标，移动用户在该银行的支付信息指标，移动用户是否属于该银行的客户指标；

交通拥堵指数特征：结合本地公交数据和地图软件的应用程序编程接口数据，基于路段速度计算交通拥堵状况指数；

周边竞争网点数特征：通过地图软件的应用程序编程接口，查询选址范围内的银行网点数，并作为周边竞争网点数；

人均收入特征：确定选址范围，利用爬虫技术从网络爬取选址范围内的周边小区房价及其房价收入比 ，则该范围内人均收入 计算公式为： ；表示第i个小区的房价；n为该选址范围内的小区数；

步骤三、利用构造的特征，训练多个选址分类模型，并构建基于概率的多模型融合的银行网点选址推荐模型；

步骤四、使用已构建的银行网点选址推荐模型，根据目标区域的特征，推荐该区域最佳银行网点选址分布。

2.根据权利要求1所述的基于多源数据驱动的银行网点选址推荐方法，其特征在于，所述的交通拥堵状况指数计算方法包括本地公交数据实时上传间隔内路段的拥堵指标值 ；

根据拥堵指标值 ，计算统计间隔内选址范围内指标值 ，统计每月各个工作日高峰时段的指标值 ，并求取其平均值，将该平均值作为计算交通拥堵指数C；

拥堵指标值 的计算公式为：

；

选址范围内指标值 计算公式为：

；

交通拥堵指数C计算公式为：

；

其中， 表示路段i第j个间隔内的参考速度， 表示路段i第j个间隔内的计算速度，即路段i第j个间隔内对应的实际运行速度；表示路段i的长度；N表示该选址范围内路段总数；M为一个月内 所有记录条数。

3.根据权利要求1所述的基于多源数据驱动的银行网点选址推荐方法，其特征在于，步骤三所述的基于概率的多模型融合的银行网点选址推荐模型包括通过选取不同的特征数据集，使用不同的经典分类模型方法，构建多个不同的选址分类模型，利用多个不同选址分类模型的输出概率，构建基于概率的多模型融合的银行网点选址推荐模型。

4.根据权利要求3所述的基于多源数据驱动的银行网点选址推荐方法，其特征在于，所述的基于概率的多模型融合的银行网点选址推荐模型具体构建过程包括：选取m个不同的分类模型作为第一层分类器；

对第一层分类器的各个分类模型均进行五折交叉验证，即将训练集进行五等分，选取其中一份的训练集以及完整的测试集作为预测，另外四份的训练集作为训练，并在每个分类模型中进行五次预测，得出每一份训练集各自的预测概率，以及五次预测中测试集预测出的概率；

将每份训练集各自的预测概率以及五次测试集预测出的概率进行平均，并将其平均值作为第一概率特征；基于逻辑回归构建第二层分类器，对各个分类模型的第一概率特征进行融合，从而形成基于概率的多模型融合的银行网点选址推荐模型。

5.根据权利要求4所述的基于多源数据驱动的银行网点选址推荐方法，其特征在于，所述第二层分类器的损失函数设计如下：其中， 表示为第二层分类器的损失函数； 为第一概率特征中第i条训练集数据所得结果， 为第一概率特征中第i条训练集所对应特征数据； 为第一概率特征中第i条训练集所对应的真实标签值，为其真实标签对应输出概率。

6.根据权利要求1所述的基于多源数据驱动的银行网点选址推荐方法，其特征在于，所述的最佳银行网点选址分布为对候选地址的预测概率进行排序，设定阈值，低于该阈值的则不适合作为银行选址地点，选取排序前k个候选地点作为最终银行选址地点。