近年来,公共自行车系统在全球范围内得到迅猛发展,为城市居民提供了一种绿色、便捷、廉价的出行方式,成为解决城市交通“最后一公里”问题的关键手段。当前,共享自行车系统主要包括两大类,一类是基于站点的有桩公共自行车系统,另一类是无桩共享单车系统。本文主要研究有桩公共自行车系统,这类系统与共享单车系统比较,虽然损失了用完随停的特点,但是通过集中化借还的方式,极大地减低了自行车的维护成本。然而由于潮汐流等城市交通的特点和站点容量的限制,常常导致公共自行车系统中,个别站点车辆堆积如山而另外一些站点一车难求的情况,严重降低了公共自行车系统的服务效率。提高公共自行车系统的服务效率依赖于对用户使用情况的精确认知和建模。公共自行车系统中人、车、站之间的复杂耦合和随机性使得从机理上建立相应的模型十分困难。所幸随着物联网、大数据、数据挖掘技术的发展,通过自行站点配备的数据采集系统,海量公共自行车系统用户出行数据得以收集。因此可以从数据驱动的视角,细粒度地分析和建模用户在城市中的移动行为,在此基础上利用机器学习技术,预测未来一段时间车辆的使用情况,从而实现车辆的再平衡、用户的精准导航,达到优化系统运行的目的。然而,站点与站点间的耦合性,站点与用户间的相互影响,从数据的角度出发,进行建模和优化也存在着巨大的挑战。这方面现有的研究主要有三方面不足:1)还没有建立一个站点级别的细粒度预测模型;2)缺少针对大规模公共自行车系统的调度优化算法;3)缺少数据驱动的验证系统。针对这些不足,本文提出了精细的预测模型与相应的系统优化算法。本文的主要工作和贡献概括如下:1.概述了公共自行车系统及其存在的问题,介绍了相关研究现状,分析了研究中存在的不足之处。2.从数据可视化分析的角度,分析了杭州市公共自行车系统2013年超过一亿条使用数据,从站点、用户、车辆等多个角度系统地、形象地呈现公共自行车使用全貌,并着重分析了用户的使用模式和自行车系统中使用不均衡问题。本文同时分析和比较了有桩和无桩公共自行车使用模式的特点。3.针对用户使用量预测的问题,本文以用户移动性的角度出发,建模了用户在不同站点对之前流动的概率转移模型,并以此出发,结合随机森林模型,建立了站点的细粒度预测机制,为系统高效优化奠定基础。4.针对系统高效调度的问题,本文首先从系统运营方的角度出发,以使用量预测模型为基础,引出了调度区间的概念,并以最小化维护成本为目标,设计了调度优化问题。由于该问题为NP难问题,本文分别设计了渐进最优的求解算法和基于深度序列学习的近似算法。最后本文设计了专用的事件驱动仿真工具对所设计的算法进行了仿真验证。5.为提高用户借还成功率和实现站点自平衡,本文从用户的角度出发,通过向用户推荐站点对的方式,疏导集中在部分站点的使用量,达到站点自平衡的目的。为此,本文首先根据预测模型计算每个站点的借还需求,接着建立了站点存量与用户需求之间互相作用的模型以及相应的损失函数,最后实现了最优借还站点对的推荐系统。最后对全文进行了总结,并展望了进一步的研究工作。