实际生活中,人们在中短距离出行中通常会选择自行车,但由于骑行者长期暴露在户外环境中,极易受到诸如降水、高温、低温、强风等天气因素的影响。因此,研究天气因素对自行车出行量产生的影响是非常必要的。现有文献主要运用基本统计分析或传统回归模型研究天气因素对出行量的影响。据此,本文基于华盛顿Capital Bike的刷卡数据,系统研究了不同时间周期、出行距离、行程时间下天气与自行车出行量的关系,并构建时空效应模型,深入探讨了天气因素对自行车出行量的影响。主要工作如下:（1）基于方差分析模型探讨天气因素及其交互作用对自行车出行量影响的显著性,并比较了不同时间维度、出行距离和行程时间情形下天气因素影响的差异。模型结果表明,影响自行车出行量最显著的天气因素依次为降水、温度和风速;且工作日温度与风速、夏季降水与温度和风速存在交互影响;出行距离和行程时间越长,天气因素对自行车出行量的影响越显著。（2）基于负二项回归模型深入探讨天气与自行车出行量的关系。将天气划分为基础天气和恶劣天气并将能见度作为一个自变量构建出行量的负二项回归模型,分析各种天气因素对自行车出行量的影响。模型结果表明,自变量变化一个单位时,对自行车出行量影响最大的天气因素依次为温度、能见度、降水等基础天气以及极热、暴雨等恶劣天气;极冷、极热、暴雨和降雪天气对不同距离和不同行程时间范围自行车出行量影响的差异性是显著的,相同天气条件下,出行距离和行程时间越长,出行量减少的就越多;与春季相比,秋季自行车出行量一般有所增加,而夏季和冬季会有一定程度的减少;与工作日和非节假日相比,周末和节假日的自行车出行量均会减少,且出行距离和行程时间越长,出行量减少越多。（3）基于考虑时空效应的站点出行量空间回归模型探讨天气与站点出行量的关系。将公共自行车站点作为空间分析单元,以站点出行量为研究对象,构建了考虑站点空间相关性的的空间滞后模型、空间自相关模型和空间杜宾模型,并与传统的面板数据随机效应模型进行了对比。模型结果表明,考虑站点空间相关性的回归模型结果中用地属性的显著性更明显,这说明本站点的出行量（因变量）与相近站点出行量之间具有空间相关性;考虑时空效应的回归模型中,随机效应空间杜宾模型（SDM-FE）结果最优,进一步说明站点出行量的变化不仅受本站点相关自变量的影响,相近站点的用地属性（自变量）也会对该站点出行量产生显著影响。