机动车保有量的快速增加,停车混乱、路段巡游、停车难问题开始显现,现实生活中,车位使用情况受各种条件影响导致无法精确预测。而路内停车周转率较高,停车秩序混乱现象较为严重,从而导致管理难度增大。随着交通大数据的发展,短时路内停车需求预测在人们出行决策以及减少路段巡游当中起着至关重要的基础作用。近年来,机器学习等方法在交通大数据挖掘中体现出巨大的应用价值,各类机器学习、深度学习等方式被广泛地应用于预测研究中。目前,短时路内停车需求预测领域的研究较为缺乏,特别是通过对历史数据特征的挖掘,对路内停车泊位未来短时变化需求情况的预测领域研究较少。通过历史数据研究路内停车需求的未来分布,提高需求预测精度,对提升路内停车系统总体服务水平具有重要意义。因此本文应用几类机器学习方法进行路内停车泊位短时需求预测,并基于路内短时停车需求预测提出最优停车场选择模型,运用科学决策帮助用户减少因寻找车位而引起的路内巡游现象,提升停车效率。本文依据宁波东部新城东方一品、金融硅谷、中央片区三个区域路内停车泊位数据,针对路内停车需求分布特性,主要研究工作如下:首先,分析城市中心区路内停车需求在时间和空间上的特性以及停车设施利用特性。通过ADF检验和泊松相关系数的计算,表明停车泊位占有特性在时间上具有周期性、平稳性以及短时性;在空间关系上将研究片区划分为办公区、商务区、居住区分别进行研究,停车多样性需求得以彰显。从路段间的相关系数分析出了区域内各路段停车泊位需求间的空间相关性,随着距离的拉大,路段间的停车需求相关性就越弱,而邻近路段间的停车需求相关性越强;然后分析路内停车设施的利用特性,得出东部新城路内停车区域泊位利用率在2.3左右,平均泊位利用率在0.8左右,高峰停放指数在0.8左右,研究片区路内停车场基本不存在违章停车,同时为片区停车泊位短时需求预测下一步研究奠定坚实基础。其次,运用时间序列模型对三个片区分别进行间隔15min和30min的路内停车泊位短时需求预测研究。在几种方法的研究结果对比得出:梯度提升树算法（GBDT）虽然在预测精度上表现优秀,但其存在耗时过长的问题,因此更适合中长期预测。小波神经网络（WNN）因预测精度以及稳定性上效果不佳,提出进一步改进小波神经网络算法,得出小波变换混合粒子群优化小波神经网络（WA-PSO-WNN）模型比WNN预测精度提升了 3-5倍,比粒子群优化小波神经网络（PSO-WNN）模型提升了 2-4倍,预测稳定性分别提高了 10倍以上和8倍以上。模型鲁棒性得到了很大提升。再次,基于时序预测基础上,根据路段分布空间复杂性,深入探究预测算法的多样性。在CNN-LSTM的理论框架下,借助深度学习方法完成了模型的每一个层次的构建和精细化调参,实现了基于空间特性的停车泊位短时需求预测。将三个研究片区各路段停车泊位数据分别按照15min间隔和30min间隔进行泊位需求预测。模型的预测结果表明,在考虑停车需求时空特性的情况下,以时空三维数据作为CNN的输入,运用LSTM强大记忆能力有利于提高预测模型的精确度和稳定性,基于CNN-LSTM的停车需求短时预测模型是合理的,预测效果整体优于单一时间序列预测模型,预测精确度较时间序列模型提升了 10倍以上。说明在实际的停车泊位预测研究中,时空相关性对于泊位需求分布至关重要,CNN-LSTM模型对于基于时空相关性的短时需求预测具有一定的可行性。最后,建立以需求为导向的诱导系统设计结构,作为现有智能停车诱导系统（PGIS）的薄弱环节,进一步探究了需求预测在停车诱导方面的应用,架构以需求为导向的主动停车诱导系统结构,阐述各个功能模块以及逻辑设计,运用Logit模型从停车需求分布、驾驶时间、步行时间、停车费率建立路内停车选择模型,提前为驾驶员安排出最优车位以及最优停车路径,缩短停车花费时间,提升停车效率,优化停车场资源配置,同时对驾驶员出行停车诱导的相关理论研究具有重要意义。