最近几年共享单车系统越来越受欢迎,共享单车正在演变为大部分中国城市人出行的解决办法,为城市居民提供了更加快捷、环保的城市出行服务。目前单车定位是基于全球定位系统(Global Position System,GPS),在内部通过全球移动通信系统(Global System for Mobile communication,GSM)传感器传输数据和数据云端进行通信,在一个时间段把共享单车位置和共享单车目前的使用状态发送到服务控制中心。主流的单车分布调动方式是通过使用自行车共享再平衡算法(Bike Sharing Rebalancing Problem,BSRP),采用额外的调配车辆,实现共享单车的重新分配。然而,目前每辆自行车都需要内置电源,GPS模块,GSM模块和智能锁,这是昂贵的。并且它增加了在复杂环境中骑行的难度,例如高层建筑和立交桥等复杂环境。配备GPS定位芯片的共享单车的集中放置将导致60%-70%的不同程度的定位漂移。伴随着共享单车数目的不断增加,共享单车系统通常会出现“供不应求”和“供过于求”的不均衡现象,引发了严重的“潮汐现象”。本文针对上述共享单车系统产生的问题,做了全面的分析并在传统的技术上结合机器学习提出新的解决方法。本文主要就下面的几个方面进行探讨:(1)分析了基于GPS的定位技术和原理,以及无线传感器网络的定位原理,对系统各部件以及无线传感器网络的功能、结构、技术指标和定位方法做了总结。对GPS定位和无线传感器定位两种定位模式进行了多因素的对比和总结,查阅了目前典型的用于解决共享单车分布不均衡的算法。(2)提出了新的共享单车定位方法。为了更好地提升共享单车的定位精度,降低成本以及减少运营,结合机器学习的思想,提出了一种基于分布式子空间的共享单车定位算法。将传统的定位方法转化为不同传感器节点的分类学习问题,设计的特征向量是未知节点和锚节点之间的欧式距离。根据未知节点和锚节点两点的相似性对节点分类,然后在子空间进行进一步的定位。实验结果表明,所设计的算法有效地提高了定位精度。(3)针对共享单车分布的问题,在现有算法的基础上,使用深度学习提取不同分布区域共享单车数量的特征,按照不同区域的特征通过强化学习在不同时间不同区域进行自动的最优化学习,通过与环境交互知道下一步的动作,设定强化学习的奖赏值,以区域之间的单车数量转移为不同的动作,通过获取最大的奖赏值为目的实现共享单车区域之间的自适应分布,实验结果表明在已知环境的背景下,对多区域的不同时间端进行综合考虑,提出的新算法在长时间多区域的情况下实现了单车分布的平衡,并减少了区域之间的调配数量。