近年来,随着经济的发展和人民生活水平的日益提高,机动车数量持续上升。汽车在给人们带来舒适和便捷的同时也带来了很多问题:交通拥堵、环境污染、能源耗费等。自行车作为一种方便快捷、绿色的交通工具越来越受欢迎。各个城市开始建设自己的公共自行车系统,提高市民的短距离出行效率。但是每个自行车运营公司都面临着一个问题就是平衡自行车的供应和它不一致的需求。而且影响自行车需求的因素有很多,如季节、时间、温度、风速、湿度和假期等。一个精准有效的自行车需求预测模型,不但可以对自行车进行有效的管理和合理的调度,而且使有限的自行车资源利用率最大化,并降低管理者购车的成本。广义回归神经网络(Generalized Regression Neural Network,GRNN)以高度的容错性、良好的非线性映射能力和稳定性在非线性问题上得到了广泛的应用。尤其对于小样本数据,收敛速度快,泛化能力也比较好。GRNN中的光滑因子影响预测结果效果,通过智能算法优化该参数可以改善GRNN的预测能力。同时通过降维消除对决策结果影响较弱的属性和噪声属性,可以降低输入数据的维数,使得神经网络的训练效率提高并改善预测的性能。因此本文提出了一个PCA-BA-GRNN模型对城市公共自行车需求进行预测。具体工作如下:(1)研究了当前比较流行的几种预测模型,详细阐述了GRNN的结构、理论基础、优势,并指出通过智能优化算法可以改善它的泛化性能;(2)提出了一种PCA-BA-GRNN模型,通过对自行车需求属性进行主成分分析,然后把降维后的数据通过基于蝙蝠算法优化后的GRNN模型训练,可以提高自行车需求的预测性能;(3)自行车需求数据可视化分析。详细描述了自行车需求数据集的特征及影响自行车需求的各种因素和规律;(4)验证模型的预测能力。实验证明本文提出的PCA-BA-GRNN模型的预测效果比决策树、支持向量机、Bagging模型的预测效果要好。蝙蝠算法优化GRNN的参数可以提高它的预测精度,而且使用主成分分析降维可以缩短模型的训练时间,降低不相关变量对训练的干扰从而最大程度提高模型的预测精度。