随着居民出行需求更加多样化和“互联网+”概念深入拓展,以共享单车为代表的共享交通成为城市交通发展的关键方向。共享单车因为方便时尚等优点快速兴起,但其野蛮扩张也引发了广泛社会忧虑,尤其是乱停乱放对交通秩序产生巨大冲击。本研究基于摩拜单车提供的南京出行订单数据,深入挖掘共享单车出行特征,通过多种聚类方法分析出行需求来确定虚拟站点,使用多种模型进行客流短时预测,最终实现准确识别各虚拟站点服务区域的车辆调度需求。本文首先初步分析了共享单车的基本情况,为后续研究奠定基础。从技术特性、现状面临问题、各地管理政策等方面简要介绍了共享单车概况,并针对行业未来发展方向提出建议。对南京摩拜单车出行订单数据进行初步分析,从服务范围、车辆规模、用户数量、出行订单数量、车辆周转率等指标评估企业运营服务,从使用频率、出行时间、出行距离等情况分析用户需求特征,并考虑了天气影响和接驳轨道交通需求。接着,基于出行需求聚类分析提出了虚拟站点识别方法。对共享单车出行需求时空特征进行聚类分析,将聚类中心确定为虚拟站点,聚类边界作为虚拟站点服务范围。分析比较K均值、密度聚类和时空聚类三种方法,使用轮廓系数、CH值和站点半径等指标进行评价,得到合理可信的虚拟站点识别结果。分析表明K均值聚类结果最好,南京建成区大约有4000个共享单车虚拟站点。再后,使用多种模型进行客流短时预测,为实时动态识别调度需求提供可能。线性方法使用历史均值和时间序列,非线性方法使用神经网络和随机森林。用平均绝对误差、均方根误差、R方等指标,评估各种预测方法的优劣。结果发现,随机森林预测结果最好,但另外三种方法也可以实现较为准确的预测。最后,参考企业实际运营调度情况建立虚拟站点调度需求识别方法。对运营数据分析表明,南京摩拜单车的调度能力约为每日2-3万车次。区域内车辆数量需要保持在合理阈值范围,上限是保证车辆密度不能过大以避免无处可还,阈值下限是保证车辆数量不能过少以避免无车可借。在车辆阈值和客流预测基础上有效识别车辆调度需求,并提出了实用可靠的综合调度方法。