在目前,许多停车辅助工具,例如智能手机中的APP能够实时的显示停车场内的停车空位,然而随着停车场内车辆的进入和离开,停车场内的剩余停车空位数也会随之改变,所以实时获取的停车信息就会失效,所以人们更愿意了解在未来某个时间点的停车场内的剩余停车空位信息,而不是实时的信息。精确的预测停车空位可用性有助于规划人们的行程,有助于提升停车设施的利用率。在本文中,基于果蝇优化的支持向量回归提出了一种预测停车场的停车空位数的新模型。在提出的模型中,支持向量回归(Support Vector Regression,SVR)的参数被初始化为果蝇群体,并且果蝇优化算法(Fruit fly Optimisation Algorithm,FOA)被用于搜寻SVR的最优参数,我们针对不同的场景下进行有效的实验,指预测不同容量的停车场在不同时间段后的剩余停车空位可用信息,为了验证提出的果蝇优化的支持向量机(Support Vector Regression with Fruit fly Optimisation Algorithm,FOA-SVR)模型的有效性,三种常用的预测模型,指反向传播神经网络模型(Backpropagation Neural Network,BPNN)、极限学习机模型(Extreme Learning Machine,ELM)和小波神经网络模型(Wavelet Neural Network,WNN)被用作对比模型。实验结果表明,提出的FOA-SVR在所有的预测场景下有着较高的预测精度和稳定性。此外,本文还提出一种迭代多步预测的长短期记忆神经网络(Long ShortTerm Memory Recurrent Neural Network,LSTM-NN)被用于预测剩余停车泊位,模型中的参数通过网格搜索方法来优化。此外,还采用了另外常用的回归算法模型作为LSTM-NN模型的对比模型,分别是门循环单元神经网络(Gated Recurrent Units Neural Network,GRU-NN),栈式自编码器(Stacked Autoencoder,SAE),SVR,BPNN和K近邻(K-Nearest Neighbor,KNN)。这些对比模型的关键参数同样的也是被网格搜索优化。我们通过在二个不同类型的停车场数据集上进行有效的实验来验证模型在短期预测和长期预测上的表现,实验结果表明,我们所提出的多步迭代预测的LSTM-NN表现更优于其他预测模型,特别是在车流量较大的商业类型停车场数据上表现更为突出。