共享单车作为一种新兴的交通方式,为人们提供了一种便利且低碳的出行方案。共享单车分为有桩和无桩两种模式,有桩共享单车要求用户在固定的站点租借或归还车辆,无桩则没有这种限制。随着越来越多的共享单车被投入社会,这两种由用户主导的模式开始暴露出妨碍交通、分布不均衡等缺点,因此亟须对共享单车需求量进行准确的预测,进而为共享单车的管理及再分配策略提供依据。共享单车需求量具有复杂的时空依赖性和不确定性,目前传统的深度学习方法多只关注于共享单车需求量的时间依赖建模,却忽略了站点或区域间的空间依赖关系及外部影响因素。基于上述不足,本研究通过挖掘共享单车的时空依赖性及外部影响因素,结合多图卷积网络（Multi-Graph Convolutional Network,MGCN）和时间卷积网络（Temporal Convolutional Network,TCN）强大的非线性时空建模能力,构建共享单车需求量预测模型,并在有桩和无桩共享单车数据集上分别对模型有效性进行验证。本文主要研究内容和结论如下:（1）挖掘共享单车需求量的时空依赖关系。基于旧金山市BayWheels共享单车和上海摩拜共享单车借还记录,分别构建了用于模型训练的有桩和无桩共享单车数据集,并分析了有桩和无桩共享单车需求量的时空依赖关系及外部影响因素。结果表明:在时间依赖方面,有桩和无桩共享单车均存在临近趋势性和日周期性,而对于有桩共享单车,还存在更为明显的周周期性;在空间依赖方面,有桩和无桩共享单车均呈现出相似的局部空间依赖关系和全局空间依赖关系,局部空间依赖关系在早晚高峰时段出现动态变化,而全局空间依赖关系的跨度更大且更为复杂;此外,节假日和降水都会使得共享单车需求量下降。（2）构建共享单车需求量时空预测模型。基于共享单车的时空依赖关系,提出MGCN-TCN模型对共享单车需求量进行预测。该模型首先构建交互图和时间序列相似性图来分别表征站点或区域间的局部和全局空间依赖关系,并通过两个图卷积网络对空间依赖关系进行特征提取和融合;其次使用三个时间卷积模块分别捕捉需求量的临近趋势、日趋势和周趋势特征,从而对时间依赖关系进行建模;最后,通过全连接层对可能影响共享单车需求量的外部因素（节假日和天气）进行特征嵌入,从而建模需求量存在的不确定性。结果表明:本文构建的MGCN-TCN模型在有桩和无桩共享单车数据集上均具有更低的误差,且在早晚高峰及节假日等预测难度更高的时段仍然有较高的预测精度;此外,在对未来多步长的预测任务中,模型精度相较于其他基准模型维持了更低的误差。（3）通过对模型的各个模块的分离对比实验来分析各模块对于共享单车时空依赖建模的重要性。结果表明:在空间依赖建模方面,对于有桩共享单车,日趋势的时间卷积网络最为重要;对于无桩共享单车,则是临近趋势的时间卷积网络更为重要。在时间依赖建模方面,对于有桩共享单车,交互图卷积模块对模型的精度提升较大;对于无桩共享单车,则是时间序列相似性图卷积模块对于模型精度的提升更为明显。