城市公共自行车作为一种共享型的交通工具,被各大城市所采纳,承担着城市公共交通“最后一公里”的重任。目前,城市公共自行车系统存在的主要问题是高峰时段用户租存车困难,实时监控不能很好地解决。因此,预测未来某个时间段各站点自行车的需求量并提前执行重新分配,对于解决自行车系统调度的滞后性具有重要的意义。本文以美国纽约花旗公共自行车的出行数据和纽约中央公园气象监测点的气象数据为基础,对城市公共自行车站点集群短时出租量进行了预测。首先对单个站点、站点集群和整个城市公共自行车出租量分别进行了分析,研究结果表明:单独预测每个自行车站点的出租量难度大、性价比低,而预测站点集群的出租量更有实用性。并且对K-means、K-medoids聚类算法和指数平滑模型、自回归移动平均模型、RNN、LSTM预测模型做了比较分析。然后提出了基于长短时记忆网络模型(LSTM)的城市公共自行车预测模型。该模型首先利用K-medoids算法对纽约市花旗自行车系统所有站点进行聚类;选取两个代表性的站点集群,将这两个集群的自行车数据输入到已建立好的LSTM模型,进行了预测;最后对预测值和真实值进行配对检验分析,并计算了均方根误差和误差率,得出平均相关系数、均方根误差和误差率分别为0.9425、0.298和0.296,预测效果较好。最后在LSTM预测模型的基础上进行了改进,提出了基于混合模型的城市公共自行车预测模型。该模型分为三个部分,第一部分根据自行车站点地理位置和历史过渡模型提出一种双因素聚类算法,对站点进行聚类;第二部分通过综合考虑时间、天气、温度和风速的因素建立LSTM模型来预测整个城市公共自行车的出租量;第三部分提出一种基于变异系数函数的推理模型,根据模型求出每个集群出租量所占整体的比例,进而预测每个集群的自行车出租量。最后对预测值和真实值进行分析、计算,得出平均相关系数、均方根误差和误差率分别为0.956、0.28和0.274,预测效果好于LSTM模型。