近年来,共享单车系统（Shared Bicycle System,SBS）因其绿色低碳、灵活便捷,得到了迅猛发展,成为公共出行交通的重要组成部分,有效解决了“最后一公里”问题。但是,SBS的供需不平衡问题,大大影响了共享单车的使用效率和用户的出行效率。研究如何精确地预测每个区域的单车使用量,并合理的规划不平衡区域间的调度方案,有着重要的现实意义。目前共享单车需求预测多采用深度学习的方法,但多数研究只考虑部分的预测影响因素,预测结果难以达到精度要求;对共享单车调度的研究也存在分析因素单一的问题。针对上述不足之处,本文进行了以下研究:（1）提出了一种引入天气因素的多模块多图卷积神经网络（Spatio-Temporal Weather Multi-Graph Convolutional Networks,STW-MGCN）模型来对共享单车的供需量进行预测。该模型考虑了多种影响因素,包含空间、天气和时空三个模块,分别对空间特征、天气特征和时空特征进行提取。本文对共享单车数据进行统计分析,以满足一定条件的区域作为虚拟站点。在空间模块中,先根据虚拟站点构建出多个站点关系图,再利用卷积神经网络（Convolutional Neural Networks,CNN）提取融合关系图中的空间特征;在天气模块中,本文采用门控循环单元（Gated Recurrent Unit,GRU）来对天气数据进行特征的提取;在时空模块中,结合共享单车的时序数据,综合考虑其在时间和空间上的变化特点,使用了CNN与GRU的结合网络Conv GRU模型提取出共享单车数据中的时空特征。根据各模块的输出特征进行模块融合的计算,最终得到共享单车供需量的预测结果。在上海市哈啰共享单车数据集上,将提出的STW-MGCN模型与其他7种基准模型进行了对比实验。结果表明:STW-MGCN模型的预测精度均高于其他模型方法,最高精度达到91.19%。以30分钟作为采样步长的实验结果显示,STW-MGCN模型比基准方法在MAPE指标上降低了2.06%-20.58%。（2）提出了一种基于地铁站局部范围的共享单车调度优化方法。该方法对对早高峰期间共享单车出行数据和地铁站的客流量数据进行科学统计分析,得出共享单车在地铁站附近的缺失情况。进一步采用核密度分析方法对地铁站周围区域进行分区处理,并对每个区域内的单车数据进行深入分析,得到每个区域的单车缺失情况。为了获取更加精确的调度位置,对研究区域进行了新兴时空热点分析,更加细粒度的确定了单车的缺失位置。最后根据路网信息及缺失单车的具体位置规划了调度方案。以上海市九亭地铁站为例,结合真实共享单车和地铁站客流量数据详细介绍了该方法的具体分析过程。规划的调度方案为早高峰期间地铁站周围的共享单车使用率提升约25%。