科学的停车需求预测对未来居住区规划建设、停车设施、人们出行生活质量等有巨大的影响，而传统的居住区停车需求预测方法多以主成分分析法、多元回归分析法为主，不能很好的表达实际问题中无法量化的影响因素。文章选取了影响居住区停车需求的几个主要因素作为模型输入数据，将城市中心区居住区的停车泊位数作为模型输出数据。通过对城市中心区居住区的停车调查数据进行训练，从而建立起神经网络预测模型，并对规划年的居住区停车泊位数进行预测。　　首先，对国内外居住区规划理论及停车需求预测方法进行分析总结，在北京市典型居住区停车调查分析、收集数据的基础上，从我国城市中心区居住区停车需求特点入手，分析了现有的停车需求预测方法，并确定了居住区停车需求的主要影响因素，如:居住区人口数、居住区建筑面积、小汽车保有量、高峰小时量、停车政策倾向。　　然后，通过对传统需求预测方法的对比，发现应用于居住区的现有停车需求预测方法对于复杂的影响因素、及大量数据信息的情况下预测较困难。因此，提出了一个预测精度、效率高的神经网络模型。用甄选出的居住区停车需求影响因素作为神经网络的输入神经元，用试算法确定隐含层的神经元个数，以居住区停车泊位数作为输出数据，采用神经网络的BP学习算法，用Matlab软件语言进行编程以及调查数据样本进行训练、网络自检，从而建立起神经网络预测模型。　　最后，以北京市中心区居住区为例进行案例分析，应用构建的神经网络模型对其规划年的30个居住区的停车泊位数进行预测，得出大部分的的居住区停车需求泊位数呈上升趋势。分析了不同区位、影响因素与停车泊位数的对比增幅，验证预测结果并提出改进建议。