在国家提倡低碳交通、绿色出行的时代背景下,越来越多的居民选择将无桩式共享单车作为解决出行链中最后一公里的慢行交通工具。新型冠状病毒肺炎疫情期间,共享单车凭借其便捷、安全的特性,成为城市交通系统中可承担完整出行链的重要交通工具。但是,居民出行需求的时空非均衡性导致共享单车在井喷式发展的同时也遇到单车供需失衡、周转效率低、故障单车多等问题。因此,在准确预测共享单车出行需求的基础上对单车进行合理调配对于提高共享单车系统运转效率和用户满意度具有重要意义。本文主要研究如何通过集成学习算法和调度路径优化模型提高共享单车需求量预测的精准性和单车调配的合理性。采用数据驱动的方式,分析共享单车出行需求的时空特征,探讨天气等外部因素对单车需求波动的影响,进而建立基于Stacking策略的共享单车出行需求组合预测模型。综合考虑调度需求量的预测值和故障单车的回收,关注调度成本,构建共享单车调度路径优化模型。主要研究内容如下:（1）基于北京市摩拜单车21天共计321万多条骑行数据,研究了共享单车出行需求的时空分布特征。在对共享单车系统构成进行阐述和数据预处理的基础上,分析了时段和日期属性（是否为工作日）对共享单车出行需求的影响;通过投影和区域网格划分,分析了共享单车出行需求在不同用地性质的区域内空间分布特征的差异。（2）通过因果分析和灰色关联分析实现了对预测模型的特征选择和样本集构建,为基于集成学习的共享单车出行需求预测模型构建奠定了基础。首先,运用Granger因果分析的方法分析天气变量和单车需求量之间的因果性关系,筛选出了对预测共享单车出行需求有增益的天气影响因子。然后,充分考虑待预测日各时段与历史日各时段之间天气特征向量的相似性,采用灰色关联度指标,筛选出了具有高度相似性的相似日样本集。实例分析结果显示,通过灰色关联度选取相似日的方法能够有效降低初级学习器的预测误差,如随机森林模型采用相似日选取方法后的均方误差相较于传统相邻日方法降低了33.1%。（3）提出了基于Stacking策略的共享单车需求量组合预测模型。基于筛选的相似日训练样本集,构建了以神经网络、随机森林回归和多元线性回归等算法为基模型的不确定性集成模型。选取北京市摩拜单车用户骑行数据进行实例分析,分析了初级学习器数量和不同融合策略对集成模型预测精度的影响,确定了最优的集成框架。分析发现,相较初级学习器中预测精度最高的神经网络模型,基于最优集成策略的单车需求量组合预测模型的平均绝对百分比误差降低了9.1%,提升了个体学习器预测的准确性和泛化性能。（4）基于共享单车出行需求的预测值,考虑故障单车的识别,建立了共享单车调度路径优化模型。首先,在对共享单车调度的原因、方式等相关理论进行分析的基础上,通过建立Cox比例失效模型对故障单车进行有效识别。然后,考虑综合调度成本,针对良好单车和故障单车分别建立了共享单车调度路径优化模型。案例分析结果显示,路径优化模型可以降低调度费用,为实际单车调度提供参考。图27幅,表15个,参考文献89篇。