随着交通强国战略的提出与部署,国家大力发展交通建设的同时,也引发了居民出行结构的变革,自驾出行比重增大,车辆使用率大大增高,由此停车问题也成为了各地的交通难题之一。城市原有停车位规划不足、停车设施配建标准不科学、停车管理不到位等问题凸显,停车问题已成为城市交通发展的重要议题,普遍认为智慧停车方案能够有效解决当前面临的停车问题。停车需求预测是实施智慧停车方案的前提条件,是停车诱导系统、停车预约的关键步骤,对停车场内车辆数进行有效、准确地预测能够帮助出行者做出出行决策,帮助管理者做出科学、系统的停车场管理方案,减少因停车问题而增加地道路交通流量。为准确预测停车需求,本文主要做出以下几点工作:(1)对停车数量时间序列进行分析,利用层次聚类分析法确定停车数据的时间特征,结果表明停车数据在工作日、非工作日具有明显的规则特征,在进行停车需求预测时可将停车时间序列分为工作日与非工作日分别进行预测;采用卡方检验的方法确定停车场内停车到达和离开过程的规律。(2)利用第二章的研究结果,当停车到达和离开规律已知时,以马尔可夫生灭过程为基础,建立停车场内停车数随时间变化的规律公式,即将停车数表示为停车到达率、停车场内每辆车离开的概率、时间和初始停车数的函数。在预测过程中,首先将一天中停车趋势进行预分类,以增加模型参数标定准确性,采用曲线拟合法标定模型参数。(3)利用第三章的研究结果,以既不浪费预测资源,又能够有效感知停车数量的变化为原则,进一步计算得到LSTM网络停车需求预测时间间隔与时段,对得到的时间序列数据分别采用长短期记忆神经网络进行预测,并利用粒子群算法优化神经网络初始化参数,得到基于粒子群和LSTM网络组合模型的停车需求预测方法。