近年来,公共自行车系统作为一种绿色、便捷的新型出行方式在世界范围内得到了飞速发展。它满足了市民短途出行的需求,具有方便快捷、灵活性高、价格低廉等诸多优点。但是,其中存在的问题也日益凸显:从站点的角度来看,用户的借还车需求时空分布不均衡,从而导致了部分站点常常出现全满或者全空的情况,极大地影响了用户的使用体验;从车辆的角度来看,各个车辆使用频繁程度不均衡,少量车辆承担了大部分的使用频次和时长,这些车辆极易衰老或损坏,给骑行者和系统运营管理方都带来了困扰。当前,公共自行车公司基于视频监控和用户投诉来下达车辆调度指令,依靠调度人员的经验分发车辆,并安排了大量工作人员保养和维修自行车。但是上述解决方案都是在问题出现后才采取补救措施,而本文基于海量自行车交易数据,通过数据分析和机器学习技术,挖掘数据中存在的用户行为规律和车辆使用模式,一方面通过预测用户需求来提前预知站点未来的存量状况,使得运营方可以在站点出现拒绝服务前主动进行车辆的重平衡,另一方面通过设计出行助手的框架引导和优化用户的借还车行为,主动去平衡车辆的使用频繁程度,从而延长车辆使用寿命,降低系统的运营成本。具体贡献如下:首先,本文对原始数据集进行了预处理,分析了系统中借还车行为的总体特性、时空分布以及车辆的使用情况,采用K均值算法对具有相似使用模式的站点进行了聚类。根据分析可以得出结论:借还车需求分布不均衡和车辆使用频度不均衡是系统中的首要问题。为了缓解需求分布的不均衡,本文建立了细粒度的借还车需求预测模型,利用随机森林算法预测各个站点半小时的借还车需求,有助于系统管理者预知站点未来的需求情况并及时制定调度方案。模型中选取了时间、天气等离线特征来捕获站点借还车需求的周期性规律,利用在线特征来反映站点的实时可用性,以应对流量异常的情况。为了平衡车辆的使用频度,本文分析了导致使用频度不均衡的原因,提出了站点活跃度的概念,设计了新颖的使用量感知的出行助手来引导优化用户的借还车行为,让车辆在活跃的站点和不活跃的站点间流动,从而平衡车辆使用频次和使用时长。