近年来,城市化进程不断加快,人均汽车保有量与日俱增,城市停车难问题日益凸显。作为智慧交通大系统的重要组成部分,城市停车诱导系统对于提升现有停车设施的使用效率,解决城市停车难问题具有非常重要的作用。本文选择城市停车诱导系统中两个关键环节作为研究对象,一是停车场短时空闲车位预测,二是停车场内最优停车位选择及到达路径规划。针对第一项研究,采用了改进的马尔柯夫链修正灰色神经网络组合预测的方法,针对第二项研究,采用了双向搜索的Dijkstra算法优化了到达最优车位的路径。论文进行的主要工作有:针对短时空闲车位数量变化的随机性、复杂性及相关性等特征,在分析传统预测方法和智能预测方法优缺点的基础上,针对单一预测方法存在的缺陷,设计了灰色神经网络组合预测模式,并使用马尔柯夫链对组合预测产生的随机误差进行修正,以提高预测精度与时效性。基于此,建立了“灰色神经网络-马尔柯夫链”的短时空闲车位预测模型,分析了实际停车位数据时空变化规律,确定了预测模型输入,并进行仿真验证。试验结果表明,该预测模型符合实际停车场数据变化规律,能够提供较高精度的空闲车位短时预测。空闲车位的短时预测主要是为停车场的选择做引导服务。文中还对停车场内部最优停车位选择及到达路径优化进行了分析研究,根据驾驶员选择车辆停放位置所考虑的主要因素,建立了最佳车位优化模型,并提出一种双向搜索的Dijkstra算法对到达最佳车位的路径进行优化。根据某大型停车场某时刻具体数据进行仿真实验,结果表明该方法不仅提高了搜索效率,其优化决策结果也更加合理。