李林波，李 杨

（同济大学道路与交通工程教育部重点实验室，上海201804）

汽车产业的快速发展与城市空间资源的有限构成严重冲突，供需矛盾日益尖锐，停车难问题成为了各大城市的挑战。为缓解停车设施停车难现象、提高停车设施的利用率，精细化停车管理的理念在近些年来逐渐被大众所接受［1-2］。作为精细化停车管理中的一部分，停车诱导系统（parking guidance system）［3-4］能够缓解交通拥堵的有效办法，但停车需求短时的精准预测作为空余车位发布的关键技术并没有得到有效解决。

停车需求预测可分为宏观停车需求预测与微观停车需求预测，宏观需求预测方法主要有停车生成率模型、出行吸引量模型、交通量停车需求模型与多元回归分析模型等［1］，一般属于长时预测；微观需求预测则是针对某一设施，对某一时间内的停车需求进行预测，属于短时预测，由于环境条件基本稳定，预测精度相对较为准确，这一方面的研究主要分为单一预测模型［1，5-12］，以及组合预测模型［13-16］，较多采用的模型主要有ARIMA预测模型［5-6］、考虑时空相关性的多元自回归预测模型［7］、马尔科夫模型［8］、卡尔曼滤波模型［9］、传统的神经网络模型［10-12］、基于Cox比例风险回归模型［1］、模糊神经网络预测方法［17］、结合小波分析以及马尔科夫链有效的泊位占有率短时预测方法［16］、基于混沌和BP神经网络的复合预测方法［13］、基于小波变换的神经网络改进方法［15］、基于相空间重构及Elman网络的短时停车泊位预测方法［14］、基于BP神经网络与马尔可夫链融合的组合预测方法［18］等。……