公共自行车是城市绿色交通系统的组成部分,是服务公众短距离出行和公共交通接驳换乘的重要方式,然而单车租还难问题一直是限制其服务提升的主要弊端,在当前大数据等信息技术带动交通服务革新升级的背景下,如何将数据资源与出行需求预测建立紧密衔接,是解决单车租还难问题的关键。本文分析和总结国内外城市公共自行车的研究现状及发展过程中存在的问题,以宁波市公共自行车IC数据为基础,围绕公共自行车系统时空数据挖掘与需求预测开展研究,研究工作体现在以下三方面:首先,以公共自行车出行需求时空特征分析为出发点,利用时间序列分析、K-Means聚类、空间统计等手段探究出行模式,研究发现:宁波主城区公共自行车使用行为具有明显的早晚高峰特征;部分居住区、商业地块内站点表现出明显的潮汐使用特性;并且研究范围内公共自行车租还行为呈现出空间集聚特征。其次,从空间角度出发,建立空间回归模型探索站点使用需求与空间因素的内在联系,结果表明:300m缓冲区内人口密度、主/次干道里程与常规公交站点等8项指标对需求量呈显著正相关,同时缓冲区内餐饮、常规公交站点等9类POI分布对工作日/休息日站点租/还车需求影响效应存在差异,深化对研究区域单车租还需求不均衡问题的理解,并为后续预测工作中特征选择提供依据。最后,以需求预测作为解决单车租还难问题的切入点,针对进一步提高站点租还量预测精度的现实需求,本文提出一种考虑时空关联特性的KNN-LightGBM组合预测模型,模型继承LightGBM算法在准确度与可解释性方面的优势,并依托K最近邻(K-Nearest Neighbor,KNN)算法的搜索机制,有效识别站点间相关时间序列;然后构建包含天气、时间和空间变量的多维度特征集,从“算法选择合理性+组合模型有效性”两方面设计对照实验进行验证,结果显示:相比Xgboost和随机森林等对照模型,LightGBM算法在日维度和小时维度的租、还车量预测中均表现出更为高效且精准的优越性能;同时考虑时空关联特性的KNN-LightGBM模型预测精度优于单一LightGBM预测方法,小时维度下站点单车租还量预测的MAE(Mean Absolute Error)平均降低11.93%,拟合优度R~2平均提高4.67%,KNN-LightGBM模型的可行性与有效性得以验证,未来可在城市公共自行车大数据管理系统中发挥应用价值。