在当前共享经济的时代下,共享汽车正作为一种绿色、经济、便捷的出行方式融入人们的生活。为了深入了解共享汽车整体运营特征,本文在现有研究基础上,选取共享汽车订单数据、兴趣点（POI）数据、天气数据作为研究数据基础,刻画共享汽车出行时空分布特征;通过构建POI密度指标负二项回归模型,着重分析兴趣点因素对共享汽车出行需求的影响关系,为运营商进行新站点的选取提供科学支撑;运用深度学习网络模型实现站点每日借还车量的预测,为运营商深入了解共享汽车用户的使用规律,合理安排车辆调度等提供科学依据。论文主要内容如下:（1）共享汽车出行需求时空特征刻画。通过Python编程技术爬取高德地图POI数据并在rp5.ru网站获取天气数据,对原始数据进行数据清洗、缺失值补充、整合重分类等处理。基于站点借还车数据,对共享汽车的出行时空特征进行分析研究,结果表明站点每日借还需求以周为单位,呈周期性变化,周一至周四需求波动不大,周五至周日需求增多且借车量周六最多,还车量周日最多;用车时段上用户更倾向于在工作日晚间及双休日白天使用共享汽车。共享汽车出行空间需求分布方面,工作日的热点区域主要集中于办公区与居住区,双休日的热点区域分布更广,还会出现在餐饮购物、休闲娱乐聚集的区域。（2）构建POI密度指标深入揭示POI兴趣点对订单量的影响。基于共享汽车订单数据与POI数据,结合半正矢公式与余弦函数建立综合考虑兴趣点个数、建筑面积、与站点距离等因素的POI密度指标作为模型的自变量,构建共享汽车出行需求的负二项回归模型,结果表明住宅区、公交车站区域附近的站点需求显著减少;商业服务类（餐饮购物设施、宾馆酒店）、企事业单位（公司、学校）、休闲娱乐类（娱乐场所、度假疗养场所、风景名胜）、交通设施类（火车站、地铁站、机场、停车场）分布较多的区域,共享汽车站点需求显著增大。据此,基于本文构建的POI密度指标及其与订单量的关系模型可为运营商新站点的选取提供理论支撑。（3）运用深度学习模型预估站点需求。将兴趣点变量、天气变量、日期变量作为输入序列,以站点每日借还量为输出序列搭建长短期记忆网络LSTM模型,通过与其他三类模型（多元线性回归模型、BP神经网络模型和灰色预测模型）进行对比发现,LSTM模型拟合效果最好,R2值约80%。这一预测结果与现有最新文献对比,本文构建的模型包含的POI自变量更少,模型拟合效果更好。因此基于本文的模型对订单量的需求预测可为各站点共享汽车的日常调度提供科学依据。