空闲停车位预测及停车场内部路径诱导是智慧交通建设的重要环节。空闲停车位预测指应用科学方法对停车场内的停车位使用情况进行预测,有利于出行者更加合理地安排出行计划,提高出行效率和停车场利用率。停车场内部路径诱导指驾驶员到达停车场后,为驾驶员选择最优停车位并进行路径诱导,有利于缩短停车时间,提高停车效率。本文运用灰色小波神经网络模型预测停车场空闲停车位,进一步分析停车场内冲突机理,提出停车路径优化方法。主要研究工作如下:首先,分析停车位预测及预测值修正相关理论,分别探究有无停车诱导系统引导下的停车行为,为空闲停车位预测及停车场内路径诱导提供理论基础。其次,针对空闲停车位变化具有时间波动性、空间不均匀性、资源局限性等特点,提出灰色小波神经网络空闲停车位预测模型。通过灰色预测模型对空闲停车位初始时间序列进行预测,得到的预测结果作为小波神经网络预测模型的输入值,从而进行小波神经网络预测,得到空闲停车位预测结果。通过马尔可夫链修正模型对预测结果进行修正,将单一的预测结果转变为预测区间,提高预测模型的准确性。并通过实例得出:与传统BP神经网络预测模型相比,灰色小波神经网络空闲停车位预测模型的波动性降低了15%、稳定性提高了26%、预测值的拟合度提高了13%,并证明了模型的可行性。最后,通过分析停车场的结构特点及内部停车情况,针对出行者根据预测信息到达停车场后,停车场内无停车诱导的情景。在改进Dijkstra算法的基础上,考虑前车因停车发生拥堵,后车需要绕行或停车等待的情况,提出了基于交通冲突的停车场内路径诱导优化模型,用以缓解停车场内因停车冲突导致的停车难问题。仿真结果表明,当停车场内停车路径上的汽车数量未达到最大限制时,能够完全避免停车等待,当汽车数量超过最大限制时,可以减少停车等待的时间。并能够使汽车的停车时间较传统改进Dijkstra算法平均减少17%,从而减少停车等待,停车排队,提高了大型停车场内驾驶员的停车效率。本研究旨在利用停车位的预测信息为出行者提供出行指导信息,并在出行者到达停车场后,将“人为搜索下的反复巡停行为”转变为“智能停车系统下的一次停车过程”,进一步提高城市出行效率和服务水平。