随着全国汽车保有量的急剧增长，停车难已经成为各大城市亟需解决的问题。高质量的停车诱导服务是缓解这一难题的有效方法。作为停车诱导服务平台的基础组成部分，停车信息系统的关键是停车场的有效停车位信息。由于有效停车位信息的时变性，有效停车位预测已经成为停车诱导信息来源的重要手段，对于驾驶员合理地选择停车场和行车路线具有重要意义。同时，随着车联网的发展，车辆作为群智感知主体去采集车位成为停车信息系统发展的趋势，但是信息的分享会带来位置隐私威胁。　　本文针对这两个问题展开研究：　　（1）对于有效停车位时间序列预测，本文提出了基于重复性的中长期预测模型RBMF。根据相似日同一时刻具有极强的可重复性，用历史范围的相似日对下一个相似日进行预测，得到停车位序列的中长期预测结果。在预测算法过程中，用小波变换对停车位序列进行小波分解和重构，计算得到相似日的公共不变趋势和偏差；然后用LSTM神经网络预测得到的偏差分量和公共基准线性累加即可得到未来相似日的预测值。最后，本文对佛山停车场有效停车位序列的实验验证了RBMF方案的有效性。　　（2）对于车辆位置隐私安全，为了克服周期更换假名的不足，本文提出了自适应周期假名更换的ACPP方案。考虑到信息发送次数和发送间隔时间对位置隐私泄露量的影响，本方案使用Gamma分布函数的演变函数对一个周期的位置隐私泄露量建模，并以位置隐私泄露量作为激励函数，卷上假名周期得到根据实时分享情况决定的假名更换时间。实验通过安全性分析证明本方案的可行性。　　综上分析，本文实现了停车信息系统中的停车场有效停车位序列的中长期预测和车辆位置隐私安全保护两个关键技术，并都通过实验验证了提出方案的可行性和有效性。和传统的LSTM神经网络方案相比，本文RBMF方案对有效停车位预测的精确度更高，误差率在1.55%-15.29%之间。和周期性更换假名方案相比，本文ACPP方案在车辆位置隐私泄露度达到阈值时及时更换假名，提高了车辆位置隐私的安全性。精准的空余车位预测和位置隐私保护能够低成本、快速地实现城市级停车实时诱导，缓解停车难问题，具有广阔的市场前景、良好的经济效益和较强的现实社会效益。