随着政府推行的有桩公共自行车和企业推行的无桩共享单车的大力发展,共享自行车连接了用户出行的起始地与目的地之间的“最后一公里”,是一种绿色环保的出行方式。但是在最近几年的运营过程中也出现了许多问题,由于潮汐现象的存在,公共自行车容易出现“租/还难”问题,而无桩的共享单车则出现了租车难(或有坏车)、乱停放等问题。流量的不平衡不但造成了自行车利用率的下降,还会造成交通拥堵和城市管理混乱问题。为了有效的解决共享自行车出现的问题,本文创新的结合了公共自行车和共享单车两种模式进行研究,提出从调度需求预测与用户分流两个方面展开的解决思路,并运用机器学习技术实现智能化预测。论文首先介绍了两种共享自行车的异同以及国内外发展和研究现状,同时提出存在的问题以及不足。然后,本文先以杭州市公共自行车数据为例分析了影响共享自行车流量的因素,然后定义了预测需求所需要的流量变化量,并介绍了基于Geo Hash的共享单车虚拟站点划分方法。之后,本文介绍了梯度提升树算法和堆叠(Stacking)集成方法,并创新的提出了基于堆叠集成方法的极限梯度提升(XGBoost)流量变化量预测的机器学习模型SMVP,最后在杭州市公共自行车和纽约市公共自行车的真实数据集上进行了实验,证明了该模型的精确度和可靠性。此外,本文基于流量变化量预测模型提出了两种区域调度需求预测的方法,并对区域需求的平衡性进行了分析,结合区域的流量变化、车辆数量、阈值等参数提出了新的方法。之后,本文以摩拜单车的真实数据集为例分析了共享自行车用户的出行规律,创新的提出了基于频繁模式FP-Growth算法的用户候选地预测模型CGM,在预测出了候选地以后,创新的通过结合长短期记忆网络(LSTM)、卷积神经网络(CNN)、全连接神经网络(FC)等多种神经网络的深度学习模型DPNNst来预测用户的出行的最终目的地,最后通过北京市摩拜单车的真实数据集进行实验,验证了模型的精确度。然后,研究了共享自行车用户分流策略,提出了共享自行车用户的引导方式,分别是推荐还车点、引导用户辅助分流、引导缓解交通压力。最后,本文对提出的共享自行车流量预测、需求预测、出行预测、用户分流等方法进行了总结,并且对未来的发展趋势进行了展望。