随着城市环境污染、交通拥堵等问题日益凸显,在绿色、共享理念的引导下,在互联网、GPS定位等技术快速发展的支持下,公共自行车作为低碳、环保、健康出行方式的代表应运而生并迅速发展壮大。目前公共自行车系统运营过程中存在的车辆调配滞后问题严重影响系统运转效率及用户体验。如何对网点用车需求量进行预测,准确评估系统中各网点的重要程度,优先对重要性程度更高的网点自行车数量进行监管调度是解决车辆调配滞后问题的有效措施。本文以深圳市公共自行车系统为例,首先基于用户用车数据对系统运营时空规律进行分析,通过历史天气数据讨论降雨、温度、空气质量等因素对系统用车量的影响;之后结合用车时段、天气、温度等影响用户用车量因素提出基于BP神经网络模型的网点需求量预测方法;最后提出一种运用树形数据结构对有向加权网络节点进行重要性评估的方法,为通过优先平衡系统中重要网点从而提升调度效率解决调度滞后问题提供理论支撑。本文研究的主要工作及结论如下:1、基于公共自行车系统用户用车刷卡数据,对系统一天内各时段用车量规律、用户用车时长规律、不同类别网点自行车使用率、网点间车辆流向规律等进行描述性统计分析。结合历史天气数据分析降雨、温度、污染等自然因素对用户用车量的影响。2、结合分析得到的影响用户用车量因素,综合考虑用户用车量的历史特征、时段特征、日期特征、天气特征、温度特征,提出基于BP神经网络模型的公共自行车网点需求量预测方法。通过对比在不同日期和天气特征条件下运用该方法预测所得部分网点一天各时段预测量与实际值差异,证明该方法的有效性。3、针对有向加权网络提出基于构造树的节点重要性评估方法。该方法对以待评估节点为根的广度优先遍历树和深度优先遍历树分别进行评估,以考察待评节点的局部影响力和全局影响力,同时考虑待评估节点的入度与出度对网点重要性影响,因此该评价方法能够对网络中不同节点的重要程度提供更为全面的信息。基于ARPA网络进行鲁棒性实验,结果证明了该方法的有效性。将上述方法运用于公共自行车系统网点重要性评估中,能够获得明显效果。