近几年,具有定位功能的公共交通工具的出现极大地方便了人们的出行,其中最典型的代表就是公共自行车。其不仅管理方便、环保,且解决了用户短途出行的问题。但是随着系统规模的发展,出现了用户需求时空分布不均衡的现象,导致用户借还车难,系统运营效率下降。因此对不同时空下的车辆需求量进行预测并合理地调度有助于交通业的长久发展。本文通过分析典型的自行车系统出行数据、时间和天气数据,挖掘用户的出行时空模式和影响因素,采用网格搜索的极端随机树（Extra Trees,ET）和长短时记忆神经网络（Long Short-Term Memory,LSTM）模型进行需求量的预测,并采用遗传算法进行站点调度。本文主要完成的工作和创新点如下:（1）深度分析挖掘公共自行车系统用户的出行特征和影响因素。为了更加准确地对用户的需求量进行预测与调度,需要对用户的出行规律和影响因素进行分析。本文基于数据分析、可视化和机器学习技术,对系统出行数据、时间和气象数据进行分析。通过分析得出,系统用户需求存在时空分布不均衡的现象;影响因素包括时间、天气、用户类型和系统规模大小等因素。（2）提出网格搜索的ET方法对系统整体每小时的需求量进行预测。针对系统规模的增大、站点数量的增多、车辆投入量的增加、而车辆的利用量不足使得系统运营效率低的问题,提出网格搜索的ET方法来预测所有站点每小时的需求量。首先对决策树的深度和树的数目进行参数寻优,然后基于时间天气特征,用该优化模型进行需求量预测。实验表明,本模型预测精确度达至0.941,优于其它机器学习模型。（3）基于LSTM算法对不同时空下的规则网格区域进行需求预测。针对用户需求时空分布不均衡的问题,首先对城市用地进行规则网格划分与编码,并重新采集网格预测数据。然后用不同网格数据分别训练LSTM模型,并与ET和BP（Back Propagation,BP）神经网络模型进行网格化需求预测对比分析。结果表明,本模型的网格化预测精度高达0.962,且预测结果与实际结果拟合性强,远优于BP神经网络和ET模型。（4）基于LSTM算法对多源融合数据下的不同站点进行需求预测与调度。针对高峰期等人流量大和车辆使用量波动性大的站点,基于历史时间和天气特征的模型预测精度下降。为此,将从出行数据中提取出的时空结合数据与时间天气数据相融合,并分别采用LSTM与遗传算法对该多源数据下的站点进行需求预测与调度。实验表明,加入时空数据后的模型预测精度增大。和蚁群算法相比,遗传算法求解结果较优。