1.基于可解释时空注意力机制的停车泊位预测方法，其特征在于，包括以下步骤：步骤S1：确定待预测停车场，对停车场泊位数据进行收集；

步骤S2：对步骤S1收集到的停车场泊位数据进行预处理，包括数据清洗、特征提取和归一化处理；

步骤S3：构建基于双向长短期记忆神经网络的泊位预测模型；

步骤S4：在步骤S3的基于泊位预测模型基础上，构建时空注意力机制层捕获全局关键特征信息；

步骤S5：将步骤S2中预处理之后的数据按4：1的比例划分为训练集与测试集，用训练集数据训练步骤S4中构建的时空注意力机制神经网络模型，用自适应矩估计优化算法寻找全局最优点，用变量控制方法选择超参数；自适应矩估计优化算法通过使用动量和自适应学习率来加快收敛速度，不断优化神经网络模型；

步骤S6：在步骤S5优化的时空注意力机制神经网络模型中运行测试集数据，统计并记录运行结果，得到泊位预测结果、空间注意力权重和时间注意力权重；

步骤S4构建时空注意力机制的方法如下：

步骤4.1.构建空间注意力模块，对当前时间步的输入序列xt＝[x1,x2,…,xw]先进行sigmoid激活函数然后进行softmax正则化，得到空间注意力权重，其中w为滑动窗口的长度；

步骤4.2.将上面得到的空间注意力权重st与输入序列xt进行哈达玛积操作，得到xt′；

步骤4.3.将带有空间注意力权重的输入序列xt′输入到双向长短期记忆神经网络中，得到隐藏层状态数据ht；

步骤4.4.构建时间注意力模块，将步骤4.3得到的隐藏层状态数据先经过relu函数激活，然后在正则化处理，得到时间注意力权重tt步骤4.1中所用公示如(9)‑(10)：

在公式(9)中，参数σt是xt经过激活函数sigmoid得到的结果，σ1是x1经过sigmoid得到的结果，σ2是x2经过sigmoid得到的结果，σw是xw经过sigmoid得到的结果，对输入序列xt中的每一项进行sigmoid激活，激活函数会将输入序列xt中的值变换到0到1之间；

在公式(10)中，参数st是σt经过正则化函数softmax得到的结果，s1是σ1经过softmax得到的结果，s2是σ2经过softmax得到的结果，sw是σw经过softmax得到的结果；将公式(9)中得到的σt进行softmax正则化处理，softmax函数会将输入序列σt中的值变换到0到1之间，并且其值累加和为1步骤4.2中所用公式如(11)：

xt′＝stxt＝[s1x1,s2x2,…,swxw]w×1    (11)在公式(11)中，xt′为空间注意力权重st与输入序列xt进行哈达玛积操作的结果；

步骤4.3中所用公式如(12)：

ht＝[h1,h2,…,hw]w×s    (12)

在公式(12)中，ht为双向长短期记忆神经网络中的隐藏层状态输出，s为隐藏层的神经元个数；

步骤4.4中所用公式如(13)‑(14)：

rt＝relu(ht)＝max(0,ht)＝[r1,r2,…,rw]w×1        (13)在公式(13)中，参数rt为ht激活后的结果，r1是h1经过relu得到的结果，r2是h2经过relu得到的结果，rw是hw经过relu得到的结果在公式(14)中，参数tt为对公式(13)得到的rt的正则化处理结果，t1是r1正则化后的结果，t2是r2正则化得到的结果，tw是rw正则化得到的结果。

2.根据权利要求1所述的基于可解释时空注意力机制的停车泊位预测方法，其特征在于，所述步骤S1中收集的停车场泊位数据包括：停车场名称、收集时间、泊位入驻数和停车场泊位容量。

3.根据权利要求1所述的基于可解释时空注意力机制的停车泊位预测方法，其特征在于，在所述步骤S2中数据清洗的方法是采用临近平均值代替缺失数据，去除异常数据；

特征提取的方法是将收集时间、泊位入驻数和停车场泊位容量的有效时空特征提取出来；

归一化处理的方法是采用min‑max标准化对停车场泊位数据进行线性变换，使结果值映射到区间[0，1]之间。

4.根据权利要求1所述的基于可解释时空注意力机制的停车泊位预测方法，其特征在于，步骤S3中双向长短期记忆神经网络包括两条单向LSTM链式结构，是由前向LSTM和后向LSTM组合而成，每条单向LSTM的当前时间步t的输入为xt＝[x1,x2,…,xw]其中w为滑动窗口的长度，LSTM结构具体为：it＝σ(wixt+uiht‑1+bi)    (1)

ft＝σ(wfxt+ufht‑1+bf)    (3)

ot＝σ(woxt+uoht‑1+bo)    (4)

ht＝ot tanh(ct)                               (8)公式(1)‑(8)中，参数it表示当前时间步t的输入门，参数σ表示sigmoid函数，参数xt表示当前时间步t对应的输入序列，参数ht‑1表示上一时间步的隐藏状态，参数ft表示当前时间步t的遗忘门，参数ot表示当前时间步t的输出门，tanh(x)为激活函数，参数 表示当前时间步t对应的候选记忆细胞；参数wi表示输入门输入过程的权重参数，wf表示遗忘门遗忘过程的权重参数，wo表示输出门输出过程的权重参数，wc表示记忆单元传输过程的权重参数；

参数ui表示输入门状态转移权重参数，uf表示遗忘门状态转移权重参数，uo表示输出门状态转移权重参数，uc表示记忆单元状态转移权重参数；参数bi表示输入门偏差参数，bf表示遗忘门偏差参数，bo表示输出门偏差参数，bc表示记忆单元偏差参数；ct表示当前时间步t对应的细胞状态。