共享单车,作为城市最后一公里解决方案,绿色出行的同时,为日常生活带来了极大的便利。自从无桩共享单车模式的诞生,在国内外引起了极大的追捧。仅仅以2017年为例,无桩共享单车已经覆盖了国内100多个城市。然而在扩展的过程中,大部分创业公司需要考虑一个关键问题:如何在资源有限的前提下,进行合理的投放,覆盖整个城市出行需求。为了实现共享单车创业公司快速占领市场的诉求以及单车的合理投放,在本篇论文中,提出预测共享单车在新投放城市潜在分布和检测单车分布热点两个问题。解决单车扩展中的问题具有较大的挑战,一方面由于共享单车的使用需求随着时间、天气、事件等因素变化,另一方面由于无桩模式的特点,分布的预测不再局限于共享单车站点的预测,而是覆盖到整个城市区域。此外,由于待投放城市没有任何共享单车分布的规律,我们提出从已经投放单车的城市中来借鉴规律,来进行模式的学习和算法的应用。具体地,我们在已铺设单车的城市,分析共享单车分布的时空特征,验证时空规律的存在性,并且从POI(Point of Interest)、卫星灯光、交通路网等多个角度收集数据,通过相关性分析等方法,筛选出影响共享单车分布的关键特征。然而,城市之间的特征差异也会影响知识迁移的过程,导致预测效果的降低。因此,在这篇论文中,针对区域分布预测问题,我们提出一种结合因子分解和卷机神经网络的预测方法(GeoConv),缓解城市之间特征差异的同时,捕获区域邻居之间的相互影响。针对热点检测问题,我们提出基于对抗损失的端到端检测方法,学习深层特征表达学习并建模城市热点之间的排序损失。在真实Mobike数据集的实验中,验证了我们提出方法的有效性,相比一系列极具竞争力的基线方法,有显著的性能提升。