1.一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于，该方法包括:A.根据不同日子特性条件下的历史数据，采用LSTM神经网络建立停车时长预测模型，对未来某一时段内进场车辆的停车时长进行预估，得到预估消耗的停车资源；

B.建立下一时段内有效停车时空资源预测模型，通过综合当前统计时段内，进出场车辆与不出场车辆的时空利用数据信息，结合前一时段有效停车时空资源量，计算出下一时段的有效停车时空资源量两个步骤：步骤A所述的建立停车时长预测模型，具体包括：

A1.停车场数据收集与预处理

A11：根据不同日子特性对停车场的历史数据交通特征参数进行收集与分类：日子特性包括不同日子、不同节假日、不同天气；交通特征参数包括不同车辆历史停放时间，单位时间内的历史饱和度、周转率和进出场车流量；

A12：对数据进行预处理，使用sigmoid函数深度网络内部单元为激活，将数据范围规整到－1和1之间，经过归一化后作为LSTM深度神经网络结构中的输入数据，并利用这些数据对算法模型进行训练；

A2.建立LSTM神经网络模型预测停车时长，采用反向传播算法作为LSTM预测模型的训练算法，主要有下面三个步骤：A21：所述LSTM神经网络包含gate的激活函数，定义为sigmoid函数，输入与输出的激活函数为tanh函数，分别对不同特性下的交通特征历史参数数据做处理；前向计算每个神经元的输出值，即ft、it、ot、ct、c′t、ht六个向量的值；LSTM需要学习训练的参数共8组，分别是：遗忘门的权重矩阵Wf和偏置项bf、输入门的权重矩阵Wi和偏置项bi、输出门的权重矩阵Wo和偏置项bo，以及计算单元状态的权重矩阵Wc和偏置项bc；

根据LSTM前向计算和方向传播算法，首先需初始化一系列矩阵和向量；

A22：采用backward方法实现LSTM的反向传播计算，反向计算每个神经元的误差项值，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算出t-1时刻的误差项；一个是将误差项向上一层传播，即从当前层I开始，计算I-1误差项；

反向计算中采用结构风险函数最小化作为目标函数计算误差项，进行最优化模型选择，目标函数的形式为：J(f)函数用于度量模型的复杂度；

A23：根据相应的误差项，计算每个权重的梯度，同步进行梯度检验，最后使用小批梯度下降算法来更新权重；

A24：采用小批梯度下降法来对模型进行训练，训练过程中，选择RMSProp作为神经网络模型的优化算法。

步骤B所述的建立下一时段有效停车时空资源的预测模型，是通过训练好的LSTM神经网络模型预测出某t时段内进场车辆停车时长，结合历史数据统计该时长在当前时段的分布比例，将预测结果施加于在当前t时段进场的车辆上；同时结合进出场车辆情况、不离场车辆停放情况与预约停车情况，建立下一时段有效停车时空资源模型；

具体步骤为：

B1：获得计算上一时段有效停车时空资源，记为At-1；

B2：在当前时段进场的车辆预估消耗时空资源总和，每辆车消耗的时空资源记为bi(t)，时段总和记为Bt；

B3：在当前时段离场的车辆实际消耗时空资源富余计算，车辆的溢出值记为ci(t)，时段总和记为Ct；

B4：在当前时段不离场的车辆实际消耗时空资源溢出计算，每辆车记为di(t)，时段总和记为Dt；

B5：下一时段被预约的停车时空资源消耗计算，每辆车记为ei(t)，时段总和记为Et；

B6：下一时段停车场有效停车时空资源预测过程为

At+1＝At-1-Bt+Ct-Dt-Et

计算的结果At+1即为下一时段停车场可用的有效停车时空资源，至此，所有预测过程结束。

2.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤A11所述的根据不同日子特性建立六个数据库：①工作日-阴/晴天；

②周末-阴/晴天；

③工作日-雨天；

④周末-雨天；

⑤法定节假日-阴/晴天；

⑥法定节假日-雨天；

其中将相同性质t0的历史数据根据时间序列按某一个时间段整理为不同的数据库，将处理好的数据切分成训练集和测试集，作为后续LSTM神经网络模型的训练与测试；

设X＝(Xt0,Xt0+r,Xt0+2r,…,Xt0+nr)是一个时间间隔为T的交通流时间序列，预测所用的时间步长为m，则得到第一个数据对为：X1＝(Xt0,Xt0+r,Xt0+2r,…,Xt0+(m-1)r),l1＝以此类推，得到基于时间序列X的一组输入数据：SX＝由此可以看出，一个长度为n的交通流时间序列按时间步长m可产生(n-m)组(x-y)对。

3.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤A24所述LSTM神经网络训练采用小梯度下降法，将所有训练样本分为若干个子集，每次训练输入一个子集，根据输出计算误差函数，反向传播误差，更新各个参数，循环进行，直到所有子集训练完。

4.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤B1所述的上一时段有效停车时空资源At-1，在初始预测时刻，当车场无停放车辆时，为停车场总资源；

在预测过程中，为任意所需预测t+1时段的上上一时段t-1的有效停车时空资源，当前为t时段。

5.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤B2所述的在当前时段进场的车辆预估消耗时空资源总和，即bi(t)＝每辆车*预测停车时长；通过累加bi(t)，可得到在当前t时段进场的所有车辆预计消耗时空资源的总和Bt，即Bt＝Σbi(t)。

6.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤B3所述的在当前时段离场的车辆实际消耗时空资源富余计算，通过计算每辆车最初的预计停车时长和实际停车时长的差值，判断是否有时空资源富余，最后，累计该时段所有离场的车辆的ci(t)，可得到总Ct，即Ct＝Σci(t)。

7.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤B4所述的在当前时段不离场的车辆实际消耗时空资源溢出计算，其计算过程是通过停车系统后台数据，判断当前时段没有离场的每辆车停车时长是否超时，最后，通过累计该时段所有不离场的车辆溢出值di(t)，可得到Dt，即Dt＝Σdi(t)。

8.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤B5所述的下一时段被预约的停车时空资源消耗计算，通过统计下一时段是否有车辆进行了车位与停车时长的预约，即是否有车辆已预约了下一时段的停车，进而对该项参数的计算，即Et＝Σei(t)。