共享汽车领域以电动汽车为主的分时租赁服务是近年来发展较为迅速的交通出行模式,也是交通领域的重点发展方向,共享汽车分时租赁的运营模式能够满足居民多样化、个性化出行需求,提高了资源利用率,有效地缓解了交通拥堵、空气污染及资源浪费等问题。为了推动共享汽车产业健康持续发展,运营商需要建立合理的运营策略提高经济效益。然而,由于用户出行的随机性,共享汽车运营商普遍面临着站点车辆供需不平衡的问题;同时,高投入低回报的商业模式也使运营商陷入盈利焦虑。因此,科学预测用户的出行需求,并制定合理动态定价策略调节供需平衡,提高运营收益是保证共享汽车行业安全、稳定、高效运行的重要前提。本文以我国的一个大型共享汽车运营系统为原型,针对各个站点在不同时段的定价问题进行研究,旨在为共享汽车运营商提供科学的动态定价方案。首先,基于共享汽车实际运营数据,对用户的宏观、微观出行特征以及站点的供需规律进行了挖掘,并对时段和站点进行了分类;其次,设计了基于统计学的时间序列和基于机器学习的梯度提升树(GBDT)两种预测模型,对用户在各个时段不同站点的需求进行预测,并对预测精度进行了对比;再次,基于以上分类及预测结果,综合考虑经营模式、运营成本、用户接受度和需求价格弹性等多种因素,以运营商收益最大化为优化目标建立动态定价模型,确定了模型的约束条件,明确了模型中价格与需求、价格与调度费用之间的关系,并设计了免疫遗传算法求解动态定价模型;最后,运用共享汽车企业的实际运营数据,对本文研究内容的科学性和有效性进行验证。结果表明,基于GBDT模型的需求预测模型具有更高的精度,能够较好地提供数据支持,弥补了传统的时间序列预测方法的不足;同时,基于短时需求预测结果的共享汽车动态定价模型不仅能够有效降低系统车辆的不平衡性,而且减少了调度成本,提高了订单量和收益水平,较好地优化了实际问题。