随着社会的飞速发展,人们的生活节奏日益加快,城市机动车保有量持续攀升,引发的交通阻塞、出行困难问题引起了人们的密切关注,公共自行车作为城市公共交通的创新形式,有力解决了人们绿色出行的需要。然而,公共自行车分配不均衡问题极大影响用户的使用体验,是目前系统运营商面临的重点难题之一。因此,本文对公共自行车出行需求影响因素的分析、出行需求的预测以及公共自行车调度问题的优化求解,为公共自行车系统优化服务提供了重要的理论依据。论文首先阐述国内外公共自行车站点规划、需求预测、车辆调度的研究现状,分析目前公共自行车系统存在的需求不平衡,调度成本大的问题,阐述解决该问题的研究方法与相关理论概述,包括历史时序均值模型,自回归平均滑动模型(ARMA)等预测模型,以及求解车辆调度问题(VRP)的启发式算法等。其次,论文根据纽约市Citi Bike公共自行车系统的出行数据、纽约市历史天气数据,阐述影响公共自行车出行需求的多种因素,并分别对时间、位置、天气、温度因素进行分析。然后采用基于特征加权的K-means对站点进行聚类,确定天气对公共自行车使用需求的滞后变量模型,并提出带AMRA误差的多因素预测模型(Multiple Factor Regression Model with ARMA error,简称 MFR-ARMA),对各个聚类的使用需求进行预测。实验结果表明,MFR-ARMA预测结果的平均错误率达到28%,比历史时序均值、自回归滑动平均模型预测结果优化了约8%,进而为设计调度方案提供决策支持。最后,建立带约束的公共自行车调度优化模型,并分析基于实际距离与基于欧式距离求解调度问题的效用差异。以调度路径的总实际距离最小化为目标,提出了 2-opt改进的遗传算法求解方法,通过构造实例分析该算法求解实际距离调度优化问题的可行性。实验结果表明,该算法求解的最优解平均距离为38.02km,比传统遗传算法优化了 3.3%;同时,其收敛速度较传统遗传算法提高了 61.1%。