公共自行车系统作为解决“最后一公里”难题的交通方式,能够使城市交通系统整体的服务水平得到显著的提高。但是,因为在不同的租赁点和不同的时间段,居民对自行车的需求量(租用量、返还量)是不平衡的,所以经常出现“无车可借”和“无桩可还”的现象。为了解决这一难题,各个站点需要人工不断的进行自行车调度,使租借量和返还量达到平衡,以满足用户的需求。然而人工调度一般是实时监控到不平衡以后才开始执行的,存在严重的滞后性,如果能够提前准确的预测出在未来某个时间段的站点需求量,就可以提前进行部署。又由于单个站点需求量的规律性很难捕获,而且用户选择站点具有随机性,所以本文提出了基于集群的公共自行车系统的需求量预测方法,可以预测未来某个时间段某一集群的单车需求量。首先,本文对纽约市公共自行车系统的历史数据进行预处理,分析了单车系统的一般规律和出行特征,并采用站点聚类算法将地理位置相近、转移模式相似的站点进行聚类,得到关联性较强的站点集群,聚集到一个集群中的站点有相似的功能属性,规律性更容易捕获,预测准确性也会得到相应的提高。然后,根据自行车系统租用量和返还量的时序性(周期性、趋势性)和时空依赖性将预测模型分为两个部分:基于SARIMA模型捕获周期性和趋势性;基于贝叶斯转移网络捕获集群间的转移特性,并考虑了影响自行车系统的多重复杂因素,气象因素和节假日等都作为自变量进行Lasso回归得到最终的时空残差模型,用来捕获时空相关性。最后,使用了纽约市公共自行车系统的数据对本文提出的模型进行了实证分析,与几个基线方法进行了比较,分析了每个部分对模型的影响程度,并验证了两个偏离日常情况的案例,结果表明,本文提出的基于集群的需求量预测模型精确度较高,且能很好地预测突发事件。