公共自行车系统(Public Bike System,PBS)是城市交通的重要组成部分,日益增长的用户需求给PBS维护人员带来不小的挑战。研究PBS供需不平衡问题,对城市治理、提升城市服务质量具有实际意义。目前的公共自行车需求预测多采用传统的神经网络方法,很难捕获数据中的时空相关性,预测结果难以达到精度要求;行程规划在移动计算中可用于为用户个体导航,但其算法研究较少,且在疏导人流、提高系统持续服务能力方面考虑不足。针对以上问题,本文从公共自行车需求预测和自平衡行程规划两个方面进行分析和研究,并提出了两种方法:(1)提出了 一种基于多周期的时空多图卷积预测模型(Multi-Period Spatio-Temporal Multi-Graph Convolutional,MP-STMGCN)。模型包含多个时空卷积模块和两个全连接层。时空卷积模块包括三层的神经网络,第一层是注意力机制层,用于增强模块对数据的特征捕获能力。第二层是多图卷积层,通过构造多图对多种非欧式相关关系进行编码并应用于多图卷积。第三层是时间维卷积层,用于捕捉时空相关性。考虑到站点需求与时间周期有关,本文将数据分为多个周期数据(近期、日周期、周周期)并作为模型输入,经过多个模块和一层全连接层后得到三个预测值,最后将这个三个预测值经过最后一层全连接层加权求和,得到最终的预测值。本文在杭州数据集(HZ)和纽约数据集(YNC)上,将该预测模型与现有7种预测方法进行了实验对比,结果表明:本文提出的MP-STMGCN模型优于其他方法。在两个数据集上,与基准方法中最优的ASTGCN预测结果相比,MP-STMGCN的平均绝对误差MAE分别降低了 7.56%和8.53%;均方误差RMSE指标降低了 11.76%和6.97%。(2)提出了基于优先级的自平衡行程规划策略(Priority awarded Trip Planning,PTP),旨在通过引导用户选择借还车站点,达到引流和缓解供需压力的目的。该策略首先计算用户优先级和站点优先级,然后把用户和站点按优先级进行匹配和行程规划,从而使站点资源均衡,提高PBS的持续服务能力。大量的仿真实验结果表明:PTP策略比基准算法(Original Trip Planning,OTP)节省了 25.37%的全局行程平均耗时;在90k用户规模下,PTP策略帮助95.31%的用户成功使用了 PBS服务,优于传统的贪心算法(Greedy Trip Planning,GTP);同时算法复杂度比GTP低一个数量级。综上,论文基于杭州市公共自行车数据,分析了站点需求的时空相关性;提出了 MP-STMGCN预测模型,用于预测站点级的需求量;提出了基于优先级的行程规划策略PTP,从系统角度实现自平衡;实验结果表明,两种方法均优于其他方法。最后,论文在影响需求的多种因素、行程规划的阈值条件和与人工调度相结合这三个方面进行了展望。