伴随着智慧城市的蓬勃发展,智能化停车技术作为智慧城市中的重要一环,正在被越来越多的专家学者所重视。目前停车场的管理水平较低,缺乏较好的泊位需求预测预警技术,遇到重大事件、特殊天气时容易造成区域范围内的交通拥堵。本文针对以上问题,利用历史数据,对半封闭区域进行泊位需求预测。本文用到的原始数据是杭州某大学校园三个月的车辆进出记录,本文所做工作以及得到的研究成果如下:(1)分析了校园内停车场有效泊位需求变化的规律,利用Kalman滤波器对泊位需求进行隔天预测,并通过增加泊位影响因素对该方法进行改进,得到了更高的准确度,证明了此方法的有效性。(2)为了进一步提高泊位需求预测的准确度,引入神经网络算法,先后利用BP神经网络和LSTM循环神经网络实现泊位需求的短时预测,实现对隔天预测的结果修正。实验结果表明,LSTM循环神经网络的预测效果明显优于BP神经网络。(3)本人先利用Java编写Kalman滤波预测模型,再利用TensorFlow实现两种神经网络预测模型并将结果存入MySQL数据库中,最后利用JFrame开发可视化界面,为管理者和用户提供直观的泊位需求预测结果。论文以提高区域内泊位利用率和缓解区域内道路交通拥堵的目的为出发点,利用实时数据和历史数据对区域内泊位需求进行预测并开发泊位需求预测系统,研究结果对于区域内道路管理与停车管理方面有较高价值。