随着国内私家车保有量的迅速增加，由于城市中停车实施资源极其紧缺，停车难已成为一个亟需解决的重要交通问题。目前，停车引导算法是解决停车难最为有效的途径之一，但是停车引导算法非常依赖停车数据，因此存在一定的局限性。首先，由于设备成本、安装工期等原因，难以将停车数据采集设备安装在城市中的每个停车场中；另外，信息采集设备的损坏、信息传输故障、数据处理错误等原因都会使得停车数据出现残缺；最后，停车数据是一种商业数据，其商业性致使停车场数据的获取存在一定困难。由于上述原因，基于停车场数据处理的停车引导算法难以发挥作用。
　　针对城市中停车数据缺失严重的问题，本文提出了一种基于数据修补的停车推荐方法，可以在停车场数据缺失的情况下向泊车用户推荐合适的停车场。该方法分为停车场数据修补与停车推荐两个部分：
　　(1)对于停车场数据修补方法，首先提出了停车场间空间相似性的计算公式，并根据贝叶斯公式验证了以相似空间停车场的数据作为学习样本的合理性；然后设计了以瓦瑟斯坦距离生成式对抗网络作为修补模型；最后在数据修补模型后置了一种贝叶斯过滤器的方式对修补结果进行筛选，并通过卡方来验证生成数据的准确率。
　　(2)对于停车推荐方法，首先根据停车场的容量、收费标准和公开程度得到停车场的初始推荐值；之后通过停车场的地理空间位置关系和停车场的实时可用车位数构建转移概率矩阵，最后通过幂迭代的方法计算出最终的停车场推荐值。
　　在本文提出的基于数据修补的停车推荐方法中，数据修补方法可以在短时间内实现对停车数据的修补；停车推荐算法利用修补的停车数据，向泊车用户推荐最佳停车场。以深圳市罗湖区为实验场景，实验结果表明：数据修补的准确率为93.75%，并且推荐结果与人们对停车的认知非常吻合。以上说明本文方法能够对城市中缺失数据的停车场做精确有效的停车推荐，降低了部署数据采集设备带来的经济成本和时间成本。