目前,“停车难”越来越成为国内各大城市面临的主要城市问题之一,在已经形成的城市格局下,匮乏的停车位资源导致人们对于车位实时可用性信息迫切需求。本文提出一种基于群体感知的车位推荐系统,利用群体感知技术灵活便捷的优势采集车位状态信息,并对这些信息处理分析后将可用停车位列表推荐给驾驶员,从而实现一种“人人为我,我为人人”的设计理念。在将群体感知技术和车位状态感知任务融合的过程中,如何激励更多用户参与感知任务,如何验证采集信息的真实性,如何使得处理结果准确可用一直是研究的重点。因此为了破解这些难题,本文结合现有技术,在对驾驶者的停车需求进行分析的基础上,设计并实现了基于群体感知的停车位推荐系统,在此过程中进行的重点研究工作包括:首先为了鼓励更多用户加入感知任务,本文设计了激励机制。同时为了确保感知信息的真实性,在传统拍卖激励模型的基础上提出了激励机制优化算法。通过混合验证模型验证用户的上传信息从而保证更新信息的真实性;通过动态更新的信誉值调整用户得到的额外奖励,从而激励用户提供更多高质量的感知数据。其次,为了加强推荐结果的可用性,使得推荐结果在用户到达停车位时依然准确可用,从而避免非平台用户的干扰对于推荐结果的影响,利用LSTM神经网络在时间序列预测上的优势,构建了基于LSTM神经网络的单步预测模型。通过对网络结构以及训练时使用的超参数进行优化,使得预测结果具有更高的精度和稳定性。然后,为了增强推荐结果的个性化,使用多属性决策的方法设计实现了系统推荐模块,综合停车位状态预测值,距离目标地点的远近,停车难度等多种属性,使用TOPSIS决策排序法生成停车位推荐列表,将理想停车位推荐给用户。最后,对基于群体感知的停车位推荐系统的激励模块,预测模块,推荐模块进行后端实现,并开发了基于微信小程序的客户端,实现用户上传感知停车位信息,获得激励积分,更新信誉值,以及空闲停车位查询等功能,对关键模块进行功能性测试并展示相关界面。对提出的激励模型进行仿真实验,实验结果表明当初始信息错误率为0.1时,系统的检测率高达80%,并在长期迭代演化中依然可以使可信用户比率维持在较高水平。采集真实数据对于系统推荐结果的可用性进行验证,系统推荐的正确性高达93%,具有良好的推荐效果。