伴随着我国城市化建设进程的推进和经济的飞速发展,城市居民环境友好型交通模式也步入高速发展阶段。共享单车的出行方式被越来越多市民所接受,并成为市民固定的出行选择后,随之出现了重点起点区域共享单车数量不够、市民无车可用的问题,其中尤以早晚高峰时段,共享单车的“一车难寻”、“无处停放”的潮汐问题最为突出,且人类的活动存在白天工作、晚上休息的客观规律,加之办公时段、办公区域集中分布,潮汐现象无法回避。公共交通站点及办公场所附近单车数量出现饱和,大量单车停放堆积也造成一定的城市道路侵占和拥堵现象,以及城市交通安全相关事故伴随发生。因此,针对共享单车在分布区域和骑行需要中具备的明显的潮汐特性,挖掘区域内共享单车骑行数据和停放数据,对共享单车数据综合分析,识别和预测出城市潮汐现象最为严重的区域,研究跨空间跨区域的集中式有效预测,缓解共享单车潮汐点的供需矛盾,解决市民日常出行的用车和停放困扰,优化市民的用车体验。从政府规划和交通监管水平角度,营造高效有序的交通管理环境,解决共享单车在城市出行中所造成停放不当、道路堆积等管理问题,提高共享单车运营车辆使用率,缓解单车区域内过量堆积所造成的资源浪费问题,完善城市基础管理,以期为城市管理部门和共享单车运营方提供预测的有益探索和尝试。挖掘共享单车出行数据建立街道流量聚合模型,通过提取停车点位电子围栏数据,用Geohash库来对订单中出现的经纬度为主编码,依据停车点经纬度范围计算停车点位面积。在实际数据划分中采用聚类思想划分数据簇,完成街道单车量聚合。用K-Nearest Neighbor算法和Geohash算法两种算法完成区域内留存单车密度计算,识别出工作日早高峰时段潮汐现象最突出的区域,选择精度值较高的分类算法作为潮汐区域分类指标,在实际空间距离计算时将常用欧氏距离（Euclidean Distance）替换为精度值更高的球面余弦函数变换公式（Haversine）,完成区域分类数据使近似数值分析,能减少多个不相关因素造成的实验误差,进一步实现交通预测方案。在选择预测模型时,建立线性回归模型和随机森林模型作为预测,实验发现机器学习模型在预测中存在一些不足,因此考虑选择深度学习模型,建立图卷积神经网网络模型（Graph Convolutional Network,GCN）,提出将图卷积的方法应用在共享单车车量预测领域。图卷积神经网络模型上进行改进,提出了一种基于融合区域分类、地铁距离数值和区域间动态车流的多权重图卷积神经网络模型。提出了提取多图节点和图的融合算法进行卷积实验,以便图卷积神经网络可以同时应用于异质的站点间空预测。由于图卷积神经网络能在图结构中确定更为相关的邻域节点,因此多图融合的图卷积神经网络模型更适合提取时空依赖性,聚合邻居节点的信息来动态更新,并利用相关邻域节点信息来更新节点特征,其聚合器能更好地挖掘空间信息。通过对单车分布点网络建构图结构,利用图结构将空间局部特征进行有效的挖掘和提取,使得需求量预测准确率大幅提高;然后采用时空图卷积神经网络来完成对于历史时空出行订单数据的处理,并关联区域内地体站点相关性等外部因素进行多图卷积,动态计算不同数据图的权重,提取多图节点实现图的融合并进一步进行卷积实验,以便图卷积神经网络可以同时应用于异质的站点空间预测,进一步捕捉共享单车时空特性,以此提升实际预测精度。最后,分别对以上选用相应的数据集进行实验与分析,在评价模型时采用RMSE、MSE、MAE等预测评价指标评估模型的效率。结果表明多图卷积神经网络模型模型能够在预测值上表现出明显优越性。识别潮汐区域并预测出区域内的用车需求量,将有效的解决共享单车时空无序性分布问题,缓解市民实际生活中的日常短途出行的供需矛盾。研究跨空间跨区域的集中式有效预测,从居民日常出行效率和服务体验的角度出发,提供共享单车日常出行需求数据,为管理商在单车投放、运营和后期维护等多个阶段提供参考数据,合理分配区域间的共享单车数量,解决市民日常出行的用车和停放困扰,缓解公共交通压力,提高共享单车的使用效率,并对共享单车集群性能提供有益帮助。从政府规划和交通监管水平角度,预知共享单车潮汐区域和单车使用数量,掌握预测数据的情况下倒逼城市规划和管理,以此来营造高效有序的交通管理环境,解决共享单车在城市出行中所造成停放不当、道路堆积等管理问题,提高共享单车运营车辆使用率,缓解单车区域内过量堆积所造成的资源浪费问题,完善城市基础管理,为城市管理部门和共享单车运营方提供预测的有益探索和尝试。