共享汽车模式的产生与发展是共享经济体现在交通出行方式上的一大成果,能够提升车辆利用率,缓解公共资源紧张,降低用户出行成本,且有利于节能减排与环境治理。然而由于该模式在我国起步较晚,其运营商对用户的需求了解不够准确,宣传、优惠力度难以到位。在此背景下,提前预估用户类别,明确用户出行行为,从而有针对性的刺激用户消费,是共享汽车行业能够长远发展的关键。共享汽车用户的使用持续性将直接影响用户群规模及公司收益,是运营商关注的重点,而提前明确用户类别及其使用行为,有助于运营商为用户提供精准的高质量服务并开展高效的用户管理工作。为此,本文构建了动态预测用户忠诚度类别的模型,并在探讨用户时间维度特征的基础上,构建了用户出行时间预测模型,为共享汽车企业的科学运营管理提供参考。本文基于兰州共享汽车服务公司的实际运营数据,对共享汽车用户的行为特征进行了深入研究。本文提出了衡量共享汽车用户进入市场先后及使用忠诚度的两个自定义指标,用户潜伏率和持续存在率,将其作为分类输入变量构建Kmeans用户聚类模型,同时结合评价指标DBI,将用户划分为流失用户、早期忠实用户、后期忠实用户及待激励用户共四类。与此同时,本文创新性地构建了用户类别动态预测模型,通过滑动观察期与判断期的时间节点,对比分析了不同时间区间划分下的预测精度变化规律,以实现在较短观察期下获取少量历史数据与较长判断期下实现长远预测的目的。研究表明,六个月的观察期即可有效学习用户行为特征,对用户类别的预测准确率可达85%。基于用户细分结果,本文对不同类别用户的出行时间展开了对比预测研究。首先通过Fisher有序聚类法将一天时间轴划分为黎明上升期、白昼平峰期、下午高峰期、夜晚平峰期、深夜下降期与凌晨低谷期,从而将用户出行时间转换为类别变量。其次通过计算特征重要度提取用户关键属性作为输入变量,从而构建用户出行时间预测模型。最终,在以所有用户为研究对象所构建的用户出行时间模型的预测准确率为96.59%。对比预测精度后发现,分别对各类用户单独训练模型具有更好的预测效果。本文所建立的用户类别预测模型与用户时间预测模型具有准确率高、实用性强的特点,可为运营商的动态化资源管理提供有效的决策支持。