【摘要】既有公共自行车短期需求预测模型忽视了不变与可变环境因素的区别，未考虑数据噪音、需求波动和负值输出的影响。为此，本文利用图卷积神经网络（GCNN）展现短期需求的空间相关性，利用门控循环单元（GRU）展现短期需求和可变环境的时间相关性，提出考虑可变环境、数据噪音和需求波动的GCNN-GRU-E模型，基于该模型提出能自动识别与修正负值输出的GCNN-GRU-E-C模型，还制定了1种数据降噪和5种数据平滑方案。实验结果表明，考虑可变环境时间特性的GCNN-GRU-E的预测精度高于所有基准模型，时间粒度和数据质量均影响预测精度，降噪和平滑数据能显著提高GCNN-GRU-E的预测精度，加权移动平均+局部拟合是效果最好的数据平滑方案，GCNN-GRU-E-C自动识别并修正负值输出的能力既保证了预测结果的合理性、提高了预测精度，又确保了后续动态调度计划的正确制定。