Kentsel bisiklet talebinin etkili kaynak tahsisi için, paylaşımlı bisikletlerin doğru tahmin edilmesi gerekmektedir. Bu tahmin işlemi, Yarasa Algoritması (YA) ile optimize edilen Gradyan Artırmalı Makinesi (GBM) yöntemi kullanılarak gerçekleştirilmiştir. Önerilen modelin etkinliğini göstermek amacıyla, modelin performansı Karar Ağacı (DT), K-En Yakın Komşu (KNN) ve Çok Katmanlı Algılayıcı (MLP) gibi farklı yöntemlerle karşılaştırılmıştır. Bu karşılaştırma işlemi için MAE ve R2 metrikleri kullanılmıştır. En iyi sonuç 0.8780 R2 değerleri ile YA-GBM tarafından elde edilmiştir. Bununla birlikte, bisiklet kiralama sayısının tahminine en fazla ve en az etki eden özellikler de belirlenmiştir. En fazla etkiye sahip özellik hava sıcaklığı iken, en az etkiye sahip özellik ise kar yağışı olmuştur.