共享单车系统在全球的许多重要城市越来越受欢迎,它为“开始和最后一英里”的旅行问题提供了良好的解决方案,并且对解决城市交通拥堵和建设绿色环保生态有着积极意义。在共享单车系统中,不同站点在不同时段的单车借还量需求分布非常不平衡,因此系统维护人员需要经常性地重新平衡每个站点的单车数量。对每个站点不同时段内单车需求的准确预测有利于系统中单车的重新分配。然而,每个站点重要程度所存在的差异性从未被考虑过,而这是由城市人流分布的疏密所必然导致的现象,同时这种疏密性也导致了站点集群的产生。本文通过处理多源城市数据,可以挖掘出共享单车系统中的核心站点和站点群,并对系统中的单车需求进行多层次的预测,以指导单车再平衡操作,提高单车系统利用率和用户体验度。本文设计了两个算法分别解决站点群挖掘和需求预测问题,称作CSC(Central Station based Clustering)和HP(Hierarchical Predictor)。CSC算法通过三个阶段生成站点群,分别为核心站点挖掘、核心站点聚类和普通站点划分。第一阶段我们首先定义并计算出所有单车站点的需求核心度,然后选择需求核心度最大的一部分站点作为核心站点。第二阶段从所有核心站点中需求核心度最大的站点开始,基于地理距离和我们定义的群内需求核心度,将目标核心站点依次加入站点群中。第三阶段通过定义站点间相似度,将每个普通站点划分到与其相似度最大的核心站点所在的站点群中。聚类完毕后,通过HP算法来对共享单车系统进行多层次的需求预测。HP首先通过TWSWK算法(Time and Weather Similarity Weighted K-Nearest-Neighbor)得到每个站点群各时段的单车需求预测结果。然后定义了一个正则化线性优化模型,通过训练该模型来预测各站点群中每个核心站点所占的需求比例。最后通过结合上面所获的两个结果,得到每个核心站点各时段的需求预测值。本文通过在纽约花旗共享单车系统两年数据集上的实验,评估了所提出的算法的有效性。实验结果表明,本文提出的算法与其他基准算法相比,在站级和群级的尺度上,均能有效提高需求预测结果的准确性。重点解决核心站点的不平衡需求既可以有效减少系统运营成本,又不会对系统的整体服务质量产生太大影响。同时更为细粒度的比较实验表明,本文提出的方法可以提高各个时段单车需求预测的准确性。