近些年,随着我国经济的快速发展和城市化进程的加快,机动车已广泛进入寻常百姓家庭。截止到2017年底,我国汽车保有量2.17亿辆,而与此同时,停车场发展的速度却严重滞后,这使得停车难问题愈发突出,甚至在一些区域已经到了“一位难求”的地步。停车问题带来的交通拥堵,环境污染等问题对现有的生产、生活,环境安全造成极大影响。为此,对空余停车位进行实时有效的预测是缓解以上问题的重要研究方向。空余停车位有效预测属于时间序列预测研究范畴,按预测需求的不同又可分为短时预测与多步预测,前者利用历史数据预测未来某单个时间点停车场空余车位数,目前应用比较广泛的有指数平滑法及其衍生算法。后者则是利用历史数据预测未来一段时间的停车场空余停车数。针对这类预测的解决方法普遍使用基于神经网络的方法,如BP神经网络。本文首先通过分析现有的空余停车位短时预测与多步预测方法,对他们的原理进行研究并针对这些方法在特定领域的局限性与准确率的不足,提出了两种改进的算法。经过改进的算法摆脱了传统停车位时间序列预测的短时预测与多步预测界限,具有良好的兼容性与可扩展性,同时在准确率上也得到了很好的提升。由于时间序列反映的是客观事物发展的连续性与规律性,是统计的指标按其发生时间的前后顺序排成的数列,所以相近时间点之间统计值具有相应的关联,相邻越近的点关联性越强。这就存在一种类似记忆的属性。在人工智能领域,传统的神经网络只是具有一种短期记忆,而循环神经网络(RNN)可以记住其以前的输入,当涉及到连续的、与上下文相关的任务时,它比其他人造神经网络具有更大的优势,是处理时间序列问题首选网络。针对目前停车泊位算法存在的准确率低、训练过程复杂等问题,本文首先提出一种基于GRU(Gated Recurrent Unit)结构的RNN算法。首先,将停车场停车位时间序列数据分割成不同的输入步长(sequence),用于网络训练的输入;然后通过实现并比较不同结构的RNN对于输入的序列训练效果确定最佳网络结构;最后将最佳结构的RNN与目前广泛使用的停车泊位算法进行对比;实验结果表明,该算法不仅解决了传统神经网络在梯度消失上存在的问题。除此之外,面对不同预测需求,如短时预测与多步预测,该算法都表现出了良好的实验效果,在准确率与可扩展性间达到了很好的平衡。为了进一步增加预测的准确性并防止神经网络过度训练带来过拟合问题,本文在第一个算法基础上引入了Ada Boost算法用来增强预测的准确性,并对RNN预测带来的损失进行修正。通过遗传算法分别对两种算法进行迭代训练,寻找到各自最优的参数。即基于遗传算法的RNN与Ada Boost组合空余泊车位预测算法。该算法通过设定一定范围内的遗传算法参数来对RNN的结构类型、不同的神经网络层数、神经元数以及Ada Boost的弱回归学习器数目进行最优化查找,最后通过对两个算法的每个预测结果进行相应均值处理,并通过最小化损失方式,得出最佳预测结果。