停车需求预测滞后是造成大城市停车问题的一个重要因素。在智能交通快速发展的背景之下，目前应用交通大数据进行停车需求预测的研究却基本还是空白，因此为了利用大数据这一高效便捷的资源挖掘车辆出行规律指导停车场规划，本文提出了一种将GPS数据基于深度学习神经网络的停车需求预测方法，对提高城市停车需求的预测精度、及时准确调动道路资源、科学有效布局停车设施提供了新的思路和方向。本文主要研究工作如下：
　　首先，本文介绍了拟采用研究方法的基本知识，包括时空数据概念、交通流预测技术、CNN及RNN等深度学习神经网络模型基本算法，确立了短时需求研究的预测方法；通过比对，选择使用TensorFlow及Keras作为构建复杂深度学习神经网络的框架工具进行分析，为模型的建立及优化奠定理论基础。
　　其次，本文针对车载GPS数据易出现定位偏移的客观现象，对地图匹配的必要性进行分析，通过介绍OpenStreetMap地图数据及其运用，提出一种基于隐马尔可夫模型的地图匹配算法；考虑到需处理城市级大规模交通GPS数据，提出分布式地图匹配算法，从而在提高匹配精度的同时节省了大量的时间成本，同时证明了该处理方法在理论上与实际中是可行的。
　　再次，本文在对车载GPS数据预处理及地图匹配基础上，对GPS数据进行时空网格化处理，实现了GPS信息向图像信息的网络映射表达；结合CNN、RNN和C3D模型构建城市级交通流预测模型——CLC3D模型，在该模型基础之上进行停车需求标定，对深度学习训练过程的训练周期、批次尺寸、学习速率、激活函数等重要参数的设置进行阐述，提出了混合模型训练时的参数方案，进而充分训练并优化模型。
　　最后，本文采用重庆市主城区25km×36km范围内的车载GPS数据，以2017年1月1日-2018年11月30日的数据作为训练集，以2018年12月1日-31日数据为验证集，采用深度学习领域常用的Accuracy和Recall指标，对本文提出的CLC3D预测模型及对比模型的预测结果进行评估，验证了组合预测模型的准确性，并选取了江北区儿童公园旁地块对其进行停车需求的验证分析，进一步说明了模型对停车需求预测及停车场规划具有一定的指导意义。