随着“双碳”背景下移动互联网的应用和共享经济的发展,高效、便捷、绿色的共享汽车出行服务越来越受到广大出行者的青睐,而大量的用户需求也给共享汽车的运营调度带来新的挑战。本文将面向共享汽车出行环境,对单程站点式共享汽车各站点的借还需求进行预测,并在此基础上研究共享汽车站点供需平衡及车辆调度问题。针对单程站点式共享汽车借还需求预测问题,本文提出了基于站点嵌入的混合神经网络（SEHNN）预测模型,对共享汽车全网站点的借还车辆数量进行预测。该模型利用基于图神经网络的变分图自编码器（VGAE）模块与长短期记忆神经网络（LSTM）模块,结合站点车辆交互的空间和时间信息完成预测。其中,VGAE承担站点特征提取及隐空间嵌入功能,通过组合站点的位置、周边兴趣点（POI）等固定特征和天气、交互订单量等时序特征,在构建所有站点的订单、地理邻域网络的基础上,利用图卷积神经网络（GCN）对上述特征进行整合规范化嵌入;LSTM则用以捕捉每个站点涵盖全网信息嵌入表示的时序信息,并完成各站点车辆借还量的预测。本文以甘肃省兰州市某共享汽车公司实际数据为例对模型进行了验证。结果表明,相较于传统的Elastic Net,ARIMA,LSTM及Conv LSTM,该预测模型对于每小时借还量预测的平均绝对误差分别降低了56.51%,47.18%,38.69%和38.52%,均方根误差分别降低了42.68%,33.55%,25.68%和18.53%,并在此基础上比较了共享汽车网络中主要站点和划分的子系统站点的预测效果,可以发现同样具有较高的预测精度。针对单程站点式共享汽车智能调度问题,本文构建了固定预算成本下基于用户借还激励的强化学习动态智能调度框架。将共享汽车站点当前时段的车辆供给量、预算值以及上一时段的需求预测值、激励支出等视为状态,单个时间步每个站点的实时激励支出为决策或动作,奖励为可减少的未满足潜在需求服务的数量。构建了基于资源缩减策略及未来情况未知的马尔可夫决策过程,并利用PPO2算法（Proximal Policy Optimization）进行强化学习模型的训练与求解。通过模拟共享汽车系统运营及订单数据对所提模型的有效性进行评价,相比于无智能体调度方法,模拟场景中在车辆资源紧张且地区需求不平衡的状态下,全天平均服务率由24.1%上升到50.8%,而在地区需求平衡的情况下,全天平均服务率由66.2%上升到89.7%,实际应用场景中的服务率提升约25%,服务率最高可达93.4%。此外,对比不考虑站点车辆需求预测及还车激励的条件,在结合需求预测的情况下,服务率在一定预算成本下均有所提升,而在结合还车激励的情况下,服务率在预算成本不充足时会有所下降,当预算成本充足时则会有所提升。正文图39幅,表6个,参考文献92篇。