共享单车作为一种便利环保的出行形式,近年来受到了广泛关注,而共享单车的流量预测是研究共享单车分布动态演化并对单车进行合理调度管理的关键技术,对于解决当前城市中共享单车分布不均匀的问题至关重要。但是如何准确高效地预测共享单车流量仍然是一个困难的问题,传统的流量预测方法难以处理当前海量的单车骑行数据,并且在解决较大规模地区内的时空相关性问题上还是有所欠缺。针对上述问题,本文提出一种基于时间-空间地图模型的长短期记忆时空图神经网络框架（Long Short-term Memory Spatial Temporal Graph Neural Network,ST＿LGNN）预测共享单车流量的新算法,可以对城市规模的单车流量进行准确预测。本文使用加权数理图模型对单车骑行数据进行建模,得到高质量的共享单车站点时序图。通过ST＿LGNN对站点间时空关系的综合提取,对共享单车的时序数据也做出了精确预估。在多个实际数据集上的实验结果显示,相比目前的多种优化方法,本文所提出的ST＿LGNN模型在平均绝对误差上均有了20%以上的提升,确认了所给出的方法是有效的。本篇文章的重要贡献有以下几点:1)基于共享单车停放点的聚合构建共享单车站点图序列模型。使用域自适应密度聚类算法（Domain Adaptive Density Clustering,DADC）将共享单车数据集中的单车停放点进行合理聚类,为这些站点建立了一个加权数理图模型,再通过删除收入和效用较低的劣质站点,得到一个高质量的共享单车站点图,并为这些站点图增加一个时间维度,以此建立时序模型。2)提出了一种新的长短期记忆时空图神经网络框架ST＿LGNN模型,提升预测性能。建立了一种位置表示法来捕捉每个节点之间的因素,通过学习一个潜在的位置表示,并为了捕捉事件相关性,采用长短期记忆（LongShort-term Memory,LSTM）,来处理序列信息。LSTM操作被单独应用于每个节点,并且所有节点参数彼此共享。模型采用转化层来直接捕获全局依赖性,并且转化层也单独应用于每个节点。为了在处理时合并空间关系,修改了GCN运算,实现对时间和空间关系的综合提取,从而提升了模型对时空序列数据的预测能力。3)基于多个真实数据集进行充分实验,证实模型优秀性能。基于多个真实的共享单车轨迹数据集,对共享单车流量进行了预测,进行了充分实验,并将结果与DCRNN、Graph Wavenet、STAWnet、STGNN等多个现有的神经网络方法进行比较。从平均绝对误差（Mean Absolute Deviation,MAE）的结果来看,模型性能都为ST＿LGNN最优。本文创新提出的ST＿LGNN方法在平均绝对误差上均有20%以上的提升,具有比其它的基准模型都要好的预测效果。本文使用了多个真实的共享单车数据集,对所提出的ST＿LGNN模型进行性能测试。实验的结果表明了本文所提出的ST＿LGNN模型在实现对未来时间段内共享单车的流量预测的问题上有十分显著的提升。