公共自行车是城市秉持绿色发展理念下的产物,承担着城市公共交通“最后一公里”的服务功能。目前,高峰期平衡调度问题依然是制约其智能高效化的主要瓶颈。随着大数据时代的到来,日趋成熟的数据采集和挖掘技术为破解自行车发展难题提供了新的思路。本文基于公共自行车系统运营数据、POI数据、气象和空气质量等数据,从数据驱动的视角,深入挖掘PBS使用的时空特征及影响因素,进而研究租赁点借还需求预测和平衡调度优化方法。首先,在对各类数据预处理的基础上,分别从时间、空间角度挖掘公共自行车的使用特性。时间上,采用统计聚类分析方法,将租赁点划为5类,探讨各类站点的时变需求规律及影响因素;空间上,利用核密度估计、空间自相关、冷热点分析等空间数据分析方法探究站点状态的空间分布规律,定义OD关联系数分析租赁点区域联系强度。进而提出基于POI数据的租赁点用地类型识别方法,将站点分为居住类、交通设施类、办公类和商业休闲类。其次,根据租赁点时变需求特征和预测方法的适用性,构建了以气象因子、时间特征、租赁点位置三类影响因素为特征变量,以站点15min、30min及1小时借还车需求为目标变量的随机森林细粒度预测模型。结果表明该机器学习模型具有较高的预测精度,可作为系统优化的基础。进而,针对系统高效平衡调度的问题,提出对PBS进行分区域调度优化的研究思路。通过问题分析,构建了基于站点间实际路径距离和OD关联强度融合的调度区域划分模型,并选用AP算法求解。在划分调度区域的前提下,以车辆调度成本和时间惩罚成本最小为目标,构建了带时间窗约束的调度车辆路径优化模型,并根据模型特点设计遗传算法进行求解。最后,以宁波市PBS为例,对本文提出的调度平衡优化模型进行了验证。基于调度区域划分方法将租赁点划分为28个子调度区域,利用Python编写遗传算法,设计高峰期PBS的调度优化方案。结果表明,本文提出的分区域调度优化方法具有一定的实用价值,能够实现高峰期公共自行车的平衡调度优化。