近年来,作为一种新的出行方式,共享单车逐渐走进了大众的生活,有效地解决了居民出行的最后一公里问题,现在已经成了许多人出行必不可少的一种交通工具。然而,在实际运营过程中,共享单车系统也不可避免地存在一些问题,影响了用户的使用体验,其中一个突出的问题是许多共享单车站点的自行车供需不平衡。准确预测共享单车系统中的共享单车使用量有助于解决这个问题。基于这个动机,本文对如何有效提高共享单车系统中自行车使用量预测的准确性展开研究。论文的研究工作主要概括如下:1.提出了一种基于迁移趋势聚类的共享单车分布预测模型MT-DPM,对未来时间共享单车系统的车辆使用情况进行预测。首先设计了一种基于模糊C均值聚类的迁移趋势聚类算法MT-FCM,通过考虑共享单车系统内所有站点的地理位置信息以及共享单车在各个站点间的转移趋势,对共享单车站点进行聚类,然后采用分布预测的思想,分别进行借还车数量的预测。对于借车数量预测:首先使用梯度提升决策树,基于历史时刻的借车数量,对共享单车系统的整体借车数量进行预测,再使用多相似度参考模型（MSI）,对聚类后生成的各个类簇的借车比例进行预测,通过这种方式将总体借车数量分配到每一个具体的类簇,从而推导出每个类簇的共享单车借车数量;对于还车数量预测,首先使用多相似度参考模型,对类簇间的共享单车流动趋势矩阵进行学习与预测,然后基于借车时长的正态分布,对用户的借车时长进行预测,最后综合考虑先前时刻的共享单车借车数量、共享单车在各类簇间的流动趋势、用户的借车时长,来推测每个类簇的还车数量。为了评估MTDPM模型的性能,在纽约共享单车系统数据集上对其进行了实验验证。对比实验结果表明,相比于其他模型,MT-DPM有着良好的预测性能。2.提出了一种基于区域重构的深度时空残差网络模型（RST-Net）,来预测未来时间共享单车系统的借还车数量。首先提出了一种区域重构算法RCS,以共享单车站点的地理位置和每个站点的“站点→区域”转移趋势矩阵为基础,使用层次迭代高斯混合模型聚类算法,对城市内所有的共享单车站点进行区域重构,将其划分为不同的区域。RCS很好地利用了共享单车在各个区域之间的迁移趋势,有效提高了聚类的准确性。通过RCS进行区域重构后,再基于区域重构的结果计算各个区域内共享单车的借还车数量矩阵,然后将区域重构算法与深度时空残差网络相结合,对影响共享单车使用的关键因素进行建模,从而得到最终的预测结果。在纽约共享单车系统上的对比实验表明,RST-Net模型的预测精度明显好于现有的许多基于深度学习实现的共享单车流量预测模型。