1.一种基于卷积神经网络的短时剩余车位数量预测方法，其特征在于，该方法包括建立短时剩余停车位数量预测模型和下一时段的剩余停车位数量预测两部分：A.建立短时剩余停车位数量预测模型

步骤A1：建立样本数据集；

步骤A2：利用图像训练卷积神经网络，获得短时剩余停车位数量预测模型；

B.下一时段剩余停车位数量预测

将当前时段剩余停车位数据以时间为序列进行排列，进行二维图像转化，即与A1数据集的形式相同，然后输入步骤A2获得的预测模型进行下一时段的剩余停车位趋势，并获得可视化的预测趋势图。

2.根据权利要求1所述的方法，其特征在于，所述步骤A1包括以下步骤：步骤A11：停车场历史数据收集与分类

收集不同天气、不同用地性质和不同日子属性的停车场历史数据，由此聚类建立所预测停车场的5个数据库：①工作日-阴/晴天；

②工作日-雨天；

③周末-阴/晴天；

④周末-雨天；

⑤每个法定节假日假期；

步骤A12：数图转化

将数字化的文本数据以时间为序列进行二维图像转换，得到不同日子特性条件下每日的“剩余停车位数量走势-时间”图，最后将处理好的图像切分成等数量的训练集和测试集，用于卷积神经网络模型的训练与测试。

3.根据权利要求1所述的方法，其特征在于，步骤A2所述的预测模型结构包含输入层、卷积层、池化层、全连接层和输出层；

卷积层使用卷积核进行特征提取和特征映射；池化层进行下采样，对特征图稀疏处理，减少数据运算量；而全连接层通常在卷积神经网络的尾部进行重新拟合，减少特征信息的损失；另外，设计反向传播算法，通过确定误差项的递推公式，进行梯度计算与权重更新，提高模型对图片的识别精度；

利用链式求导法计算损失函数对每个权重的偏导数，然后根据梯度下降算法更新权重；整个算法训练整体上分为三个步骤：步骤A21：前向计算每个神经元的输出值aj，j表示网络的第j个神经元，以下同；

步骤A22：反向计算每个神经元的误差项δj，也称为敏感度，即网络的损失函数Ed对神经元加权输入netj的偏导数，即步骤A23：计算每个神经元连接权重wji的梯度，wji表示从神经元i连接到神经元j的权重，公式为 其中，ai表示神经元i的输出；最后，根据梯度下降法更新每个权重并同时进行梯度检验。

4.根据权利要求3所述的方法，其特征在于，所述步骤A23包括以下步骤：步骤A231：选择损失函数用于模型的参数估计，使用l2损失函数；

步骤A232：建立基线模型，使用普通最小二乘回归OLS法；

步骤A233：进行参数调优，调整solver.Prototxt文件中指定的优化参数；采用学习率自适应的RMSprop随机梯度下降法，其是对Adagrad算法的改进；

将学习速率设置为0.001，在TensorFlow中写为tf.train.RMSPropOptimizer，learning_rate＝learning_rate,momentum＝0.9，decay＝0.9，epsilon＝1e-10，即设定γ-10＝0.9，学习率η＝0.001，ε＝1e ，

步骤A234：测试数据的检验与拟合，对测试数据的误差进行计算分析，以训练时间，样本均方误差MSE的平均值和标准差为测试指标，对模型预测的速度、精度和稳定性进行评价；

样本均方误差MSE是指参数估计值与参数真值之差平方的期望值，可以评价数据的变化程度，其计算公式如下所示：式中，N为训练样本数；yn(k)为第k个点的期望输出值；y(k)为第k个点的实际输出值。

5.根据权利要求1所述的方法，其特征在于，所述步骤B包括以下步骤：步骤B1：获得步骤A不同日子特性条件、不同用地性质下各类训练好的模型，根据预测当天日子特性选择相应的卷积神经网络短时剩余车位数量预测模型；

步骤B2：将当天当前时段剩余车位数据转化成二维图形，导入所选模型进行处理，即可获得下一时段的剩余停车位走势图；

步骤B3：将其转换成数字形式后，即可以进行可视化与发布。