公共自行车作为一种绿色交通工具,深受民众喜爱,是人们日常出行的重要方式,但是最近几年,随着共享自行车系统规模逐渐增大、使用频率的增加,公共自行车使用不均衡问题严重影响了用户的使用体验,使得公共自行车使用率未能实现最大化。然而,现有研究方法中存在着数据考虑不全面以及缺乏预测前的特征处理,使得方法的预测准确率并不是很高以及在适用性方面具有一定的局限性。针对上述问题,本文提出了一种基于租赁点集群的公共自行车使用需求预测的方法。首先,整合公共自行车数据、气象数据分析了公共自行车的时空分布规律,提取影响公共自行车使用需求的相关特征。其次,利用所提取到的特征,提出了以K-medoids聚类、关联规则和集群内总使用需求约束调整(优化聚类使其达到最大平衡)三者相结合的算法,对公共自行车使用模式相似的租赁点进行了聚类,以提高公共自行车预测准确率。最后,在租赁点集群的基础上获取跨集群使用占比特征,再与气象、时间特征组合构建了基于租赁点集群的Elman神经网络预测模型。本文使用来自纽约市公共自行车系统的数据评估了我们的方法。从特征选择上验证了本文所提取的特征对提升预测方法的性能有很大帮助,同时通过与RF、BP以及HP-MSI基线方法对比,也证实了本文方法在准确率上具有超越基线方法的优势。该方法不仅能够最大限度发挥公共自行车使用率,解决公共自行车分配不均使得公共自行车再平衡,而且对共享自行车系统的规划布局、科学调度提供理论及实践应用基础。