公共自行车是一种健康环保的交通方式,为人们的出行提供了便利。在公共自行车系统运行过程中,站点分布不合理、高峰时段各个站点自行车供需不平衡、运营管理收支不平衡等一些问题也随之出现,制约着公共自行车系统的发展。解决这些问题关键在于对用户行为、站点运行情况的分析,以及对未来时段站点自行车需求量预测。本文选择了美国旧金山湾区公共自行车系统作为研究对象,对其用户用车行为特征和站点运行规律进行了研究。本文的主要研究内容如下:(1)简述研究公共自行车系统的背景,及利用大数据技术解决公共自行车现存问题的意义,同时介绍了国内外学者对公共自行车系统的研究现状。(2)结合美国旧金山湾区公共自行车系统的历史数据,利用大数据工具如Spark SQL、HDFS等进行了数据处理。此外,还研究了用户用车行为特征和站点运行规律,并使用Highchart、Origin、Python等工具实现可视化分析。(3)搭建了Hadoop、Spark大数据计算平台,在基础上构建了基于随机森林的公共自行车需求量预测模型。预测时,将用户数据、站点数据以及天气数据作为输入变量,站点需求量为输出变量,对未来一天中不同站点各个时段的自行车需求量进行了预测,并对预测结果进行了分析验证。(4)把分位数回归策略引入自行车需求量预测中,并将具有非线性能力的RBF神经网络用于分位数回归中,实现未来一天中不同站点各个时段自行车需求量的区间估计,同时,全面揭示各个因素对自行车需求量的关联关系。