共享单车作为近年来新兴的一种城市交通方式,因其具有随骑随用、灵活方便的特点而广泛受到人们的欢迎,一定程度上影响了居民的出行方式。但其发展过程中也产生了供需不平衡以及乱停乱放等问题,影响了市容市貌和城市交通系统的通畅,严重制约了单车管理与使用向着规范化的发展。为了能够更好的发挥共享单车在城市交通中的补充作用,提升居民出行体验,需要在深入了解共享单车骑行特征的基础上进一步规范共享单车的管理。故本文将共享单车数据作为研究数据源,结合统计分析方法、GIS空间分析方法、群智能优化算法以及深度学习算法做了以下研究。第一,分析共享单车骑行的基本特征。探索了单车骑行时长和距离的规律,识别出单车骑行的早晚高峰。研究表明:共享单车的骑行距离大多小于1000米,时长小于30分钟,主要服务于居民的短途出行。单车骑行类似于城市交通系统,具有早晚高峰现象,分别出现在7:00-9:00和17:00-19:00。使用核密度分析和四叉分割方法,识别单车骑行的热点区域,分析单车出行的空间特征,研究表明:单车骑行在工作日与休息日、早晚高峰热点时段均有差异,其中地铁站、商业中心等区域最易形成单车骑行和聚集的热点区域。第二,结合不同城市功能类型,分析单车出行的周期性规律。利用时序分析方法,对单车数据的周期特征进行分析,并结合城市兴趣面分析单车租借与归还的周期性特征,分析不同城市功能类型区域对应的不同周期性变化特征,对其对应的居民出行行为进行分析。研究表明:商务楼宇区域更多地作为早高峰出行的终点和晚高峰作为出行的起点;居民区更多地作为早高峰出行的起点和晚高峰出行的终点,验证了居民使用单车通勤的需求。风景名胜区域日间时段单车使用量差异不大,说明居民到达或离开风景名胜区域的时间较为分散。科教文化区域单车使用早高峰时段用车辆明显大于晚高峰时段。其他服务类型区域单车骑行日变化规律与商务楼宇区域类似。将工作日与休息日进行对比,工作日的使用更能体现出早晚高峰,即在工作日日间不同时段单车使用量差异较大。第三,结合群智能优化算法以及深度学习算法,构建共享单车租还数量预测模型。选择适合时间序列预测的深度学习算法长短时记忆算法(Long-Short Term Memory,LSTM),作为租还数量预测部分的核心算法。针对长短时记忆算法超参数数量多的问题,设计使用量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)对其进行超参数优化,快速确定较优的超参数组合。选择典型区域应用构建的共享单车租还数量预测模型,并进行精度验证。结果显示:所构建的共享单车租还数量预测模型QPSO-LSTM可以有效学习单车租还数量变化的周期规律,单车租还数量预测结果较准确。最后,将本文构建的QPSO-LSTM模型与人工神经网络,深度学习算法以及时间序列预测模型进行对比,结果显示本文构建的模型在精度上较以往的模型有所提高。