1.一种短期泊位预测方法，其特征在于，包括如下步骤：S100：获取一段时间内的泊位历史数据，并对泊位历史数据进行预处理获得有效泊位时间序列；

S200：采用小波函数对有效泊位时间序列进行分解和多尺度重构，获得N+1个时间序列CN,D1,D2,…,DN；

S300：将步骤S200中获得的N+1个时间序列作为BP神经网络的训练样本和测试样本，并利用优化算法来优化BP神经网络的权值和阈值，构建预测模型；

S400：获取待测数据，将待测数据作为待测样本导入到预测模型中，得到N+1个时间序列上的预测值，并将各个时间序列上的预测值进行融合。

2.根据权利要求1所述的短期泊位预测方法，其特征在于，所述步骤S300中的优化算法为灰狼优化算法。

3.根据权利要求1所述的短期泊位预测方法，其特征在于，所述步骤S100具体包括：S110：计算各采样点t时刻停车场的泊位空闲率 式中X(t)为t时刻空闲车位数，O(t)为t时刻出去车辆数，I(t)为t时刻进入车辆数，T为停车场总车位数；

S220：取连续n个相同时间间隔的采样点的泊位空闲率作为一个样本，第n+1个采样点的泊位空闲率作为该样本的预测值，依次类推获得样本n至n+1，2至n+2，3至n+3，……，n‑1至2n‑1及对应的预测值n+2，n+3，n+4，……，2n；

S230：对样本数据进行归一化操作获得有效泊位时间序列。

4.根据权利要求3所述的短期泊位预测方法，其特征在于，所述步骤230中的归一化操作采用最大最小归一化方法。

5.根据权利要求1所述的短期泊位预测方法，其特征在于，所述步骤S200具体包括：S210：采用第一小波函数对有效泊位时间序列进行多分辨率的N尺度分解，获得一个尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1,d2,…,dN；

S220：采用第二小波函数分别对低频系数向量cN和高频系数向量d1,d2,…,dN进行多尺度重构，得到N+1个时间序列CN,D1,D2,…,DN。

6.根据权利要求2所述的短期泊位预测方法，其特征在于，所述步骤S300具体包括：S310：确定并构建BP神经网络结构，确定隐藏层节点个数 式中m为嵌入维数，输入层节点数目等于嵌入维数，n为输出层节点数目，a为调节常数；

S320：随机设置预测模型的权值和阈值作为每只灰狼的个体位置来构成种群，初始化收敛系数A、C和线性递减参数a，并确定种群最大迭代次数tmax，随机设置预测模型的权值和阈值作为每只灰狼的个体位置，并将每只狼的个体位置带入灰狼围捕模型中的到灰狼的位置更新公式：

X(t+1)＝XP(t)‑A·|C·XP(t)‑X(t)|式中猎物位置XP(t)＝(wmh,whn,ah,bn)，其中wmh为BP神经网络的第k个节点到第h个节点的权值，whn为第k个节点到第h个节点的权值，ah为输入层到影藏层的权值，bn为影藏层到输出层的权值，t表示迭代次数；

S330：计算各灰狼的适应度值，找到适应度前三的灰狼作为α狼、β狼和δ狼，以下式更新其他灰狼ω的位置信息及参数A、C和a的值：X1＝Xα(t)‑A1·D

X2＝Xβ(t)‑A2·D

X3＝Xδ(t)‑A3·D

式中，A1、A2、A3与参数A相似，C1、C2、C3与参数C相似；

S340：将各灰狼的个体位置带入到BP神经网络中形成预测模型，将训练样本和测试样本带入到预测模型中试验，记录预测误差最小及相应的α狼的位置；

S350：重复步骤S330到S340，直到达到最大迭代次数或α狼的预测误差满足条件，此时α狼的个体位置即为最优解xi。

7.根据权利要求6所述的短期泊位预测方法，其特征在于，所述步骤330中的适应度值2

为回归模型评价参数R，具体公式如下：式中k为预测模型的神经元个数， 为灰狼的个体位置带入BP神经网络形成的预测模型对测试样本的预测值，yk为真实值， 为真实值的平均值。

8.根据权利要求6所述的短期泊位预测方法，其特征在于，所述步骤350后还包括：S360：对步骤S350中获得的最优解xi进行局部搜索。

9.根据权利要求8所述的短期泊位预测方法，其特征在于，所述步骤S360具体包括：S361：构建最优解xi的隶属度函数μ(x)：S362：随机生成θ‑cut水平值，获得搜索过程的动态边界：S363：将边界模糊技术映射通过下式优化到搜索中：式中rf1(x)和rf2(x)为对x乘以一个0到1内的随机数；

S363：重复步骤S362‑S363，直到 则

10.一种短期泊位预测系统，包括信息采集层、信息传输层、应用层及第三方平台，其特征在于，所述应用层包括云平台，所述云平台上架设有基于权利要求1至9任一项所述的短期泊位预测方法开发的泊位预测模块。