近年来我国汽车保有量快速增长,停车难题也越发突出。停车场实时数据的缺乏严重制约了我国停车引导系统的建设,本文针对这一问题,将城市停车引导问题进行分解,从以下两个方面展开研究。首先,针对停车场停放需求的区域化特性,本文设计了一种停车场子网分割模型。模型基于停车场空间位置关系和初始影响力,使用Mean Shift聚类算法进行子网分割。对于子网内停车场,使用基于Page Rank算法的停车转移模型计算其影响力,并以此为边界约束条件,绘制加权Voronoi图。模型实现了停车场量化值到地理空间的映射,分离了每个停车子网的影响力范围,降低了停车场网络的复杂度。其次,针对停车场子网内的车辆停放需求,本文摒弃基于实时数据进行停车引导的传统设计思路,设计了一种基于众包数据的停车引导模型。根据车辆历史停车数据的时间、轨迹和速度等因素提取了停车事件,并基于同时段内群体出行记录计算了区域交通状况。将这两类数据作为条件长短时记忆人工神经网络（Long Short-Term Memory,LSTM）深度学习模型的输入,从分类的角度对模型进行梯度优化。模型通过将具有明确停车需求的车辆分类到相应的停车场,以实现有效的停车引导。本文以深圳市的实际路网作为实验场景,对两种模型分别进行验证和效能评估。首先对深圳市罗湖区1,096个停车场进行了停车影响力计算,并绘制了其影响力覆盖图。其次对前往深圳市儿童医院的测试车辆构建了包含14个停车场的实验区域,测试了区域内停车引导模型的有效性。实验结果表明,本文设计的引导模型在畅通状态下拥有与传统效用模型相近的引导能力,分类器模型准确率达到97.75%。与无区域交通量的模型相比,本模型引导准确率提高6.7%,且在拥堵状态下也有较稳定的引导能力。仿真实验验证了本文设计的模型在实时停车数据缺失时停车引导的有效性。