随着我国经济的快速发展,机动车辆的不断增多,“停车难”已经成为困扰各大城市的主要问题之一。如何利用信息化和智能化手段提升泊位利用率,优化泊位占有率预测效果,将泊位预测更好的使用到停车诱导信息系统中,成为整个停车行业的关键问题。本文面向泊位占有率预测问题,构建包括天气状态、工作日、节假日特征的多变量神经网络预测模型。为有效针对泊位占有率问题进行预测建模,本文设计了两个神经网络泊位占有率预测模型进行泊位占有率预测。(1)考虑时间序列预测问题的复杂性,想要获得准确、稳定的预测效果,对于此类场景下的预测需求,本文基于长短期记忆神经网络(Long Short-Term Memory,LSTM)对泊位占有率问题进行建模。作为循环神经网络(Recurrent Neural Network,RNN)的变体,LSTM通过改变网络内部结构增加了网络的长期记忆能力,解决了RNN存在的梯度消失的问题。在处理序列到序列的问题时,能有效发掘序列间的非线性关系,泊位占有率预测符合序列到序列的特征,因此LSTM适用于本文的泊位占有率预测问题。LSTM神经网络是否能从训练样本中学习到序列中隐含的趋势变化规律,决定了泊位占有率的预测效果。本文分别考察了输入预测的目标步长、用于训练的数据样本量等因素对模型预测精度和稳定性的影响。本文综合考虑影响泊位占有率的相关因素,通过相关性分析,得到三类特征与泊位占有率的相关性,将三类特征及泊位占有率数据作为网络的输入变量。再者,本文将多组数据集输入所建模型进行测试,并分析模型预测结果。对比分析RNN等其他预测模型,LSTM在增加预测步长的前提下,预测精度和稳定性均有较大提升。(2)仅仅采用LSTM对泊位占有率预测模型进行训练和预测,随着预测步长的增加,模型的预测准确性会有所下降。为了进一步优化上述模型,本文进一步提出了基于注意力机制的Seq2seq泊位占有率预测模型。通过双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)编码器对输入序列的输出得以保留,并且通过卷积神经网络(Convolutional Neural Networks,CNN)获得多变量的时间模式信息,对相关变量进行加权,并存储上下文信息。通过对模型进行训练,根据学习特征信息,将输入序列与模型输出关联起来,并对相关性高的序列分配更高的学习权重。然后,用输出序列提取高度相关的有用特征。通过实验数据测试,利用均方根误差和平均绝对误差对模型预测结果进行评估。此模型在增加了预测步长的前提下,依然保持准确性和稳定性。总体上,本文解决了停车诱导信息系统中泊位占有率的中长期预测这一关键问题,并通过实验验证了提出方案的有效性和可行性。