基于预约与共享的混合车位配置策略优化

林建新; 王子洋; 李旭阳; 乔闯

doi:10.12404/j.issn.1671-1815.2501619

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1700-1709 DOI: 10.12404/j.issn.1671-1815.2501619

交通运输

基于预约与共享的混合车位配置策略优化

作者信息 +

Optimization of Mixed Parking Spaces Configuration Strategy Based on Reservation and Sharing

Author information +

文章历史 +

摘要

针对高峰时段城市热点区域公共停车场停车与充电资源供需失衡导致车辆排队时间过长和车位不经济利用问题。基于需求侧优化，以削峰填谷为思想构建车辆预约诱导模型，决策用户调整后的到达时刻；基于供给侧优化，构建车位共享分配模型，决策共享车位的开放时段和车位数量。而后，结合停车场、充电站车辆全天到达分布规律，模拟停车场中车辆的停车和充电行为。使用Gurobi求解器求解模型，得到预约方案和共享方案，并基于需求变化模拟多场景下两种方案的优化效果，揭示预约与共享策略的适用情景及两者间的转换条件。结果表明：两种方案都能较好的降低排队时间、提高车位使用效率。其中，预约方案普适性较好，其优化效果与车位供需结构有显著关系；而共享方案可行性较高，其优化效果与停车、充电需求时间演化规律联系密切。该研究对于制定多情景下停车场预约、共享耦合策略具有重要意义。

Abstract

Considering the imbalance between supply and demand for parking and charging resources in public parking lots in urban hotspots during peak hours，which results in extended vehicle queue times and inefficient utilization of public resources. Based on demand-side optimization，the vehicle reservation induction model was constructed based on the idea of peak shaving and valley filling，to determine the adjusted arrival times of users. Based on supply-side optimization，the parking space sharing allocation model was constructed，to determine the open time and the number of shared parking spaces. Combined with the distribution of vehicle arrival at parking lots and charging stations throughout the day，the parking and charging behavior of vehicles was simulated. The Gurobi solver was used to solve two models，and the reservation scheme and sharing scheme were obtained. Based on changes in demand，the optimization effects of the two schemes in multiple scenarios were simulated，revealing the applicable situations for the reservation and sharing strategies，as well as the conversion mechanisms and conditions between the two schemes. The results show that both schemes can reduce queuing times and improve the service efficiency of the facilities. Specifically，the reservation scheme has good universality，and its optimization effect is significantly related to the supply and demand structure. The sharing scheme is highly feasible，and its optimization effect is significantly related to the temporal evolution of parking and charging demand. This research has great significance for formulating the coupling strategy of parking lot reservation and sharing under various situations.

Graphical abstract

关键词

城市交通 / 混合车位 / 车位配置 / 预约诱导 / 共享车位分配

Key words

urban traffic / mixed parking spaces / parking space configuration / reservation induction / shared parking space allocation

引用本文

引用格式 ▾

林建新, 王子洋, 李旭阳, 乔闯. 基于预约与共享的混合车位配置策略优化[J]. 科学技术与工程, 2026, 26(4): 1700-1709 DOI:10.12404/j.issn.1671-1815.2501619

LIN Jian-xin, WANG Zi-yang, LI Xu-yang, QIAO Chuang. Optimization of Mixed Parking Spaces Configuration Strategy Based on Reservation and Sharing[J]. Science Technology and Engineering, 2026, 26(4): 1700-1709 DOI:10.12404/j.issn.1671-1815.2501619

登录浏览全文

4963

注册一个新账户忘记密码

充电基础设施不发达是电动汽车（electric vehicles，EVs）普及的主要障碍之一^[1]。让停车场配建停车车位和充电车位（简称混合车位），即同时提供停车和充电服务（简称“停充一体”）可以一定程度上缓解充电需求难以满足的问题^[2-3]。然而，由于停车与充电需求时间演化特征差异性较为显著，无法同时满足附近区域的停车与充电需求^[4-5]。停车高峰期间，停车车辆排队、占位现象频发，导致充电车辆无法充电^[6]；充电高峰期间，由于充电车位服务能力不足，导致充电等待现象频发^[7]。停车与充电时空资源不匹配，严重影响了停车场整体运行效率。基于此，充分利用现有资源解决“停车难”与“充电难”复合叠加问题，提升停车场服务效能是破解当前难题的关键。

基于此，中外学者对车辆预约诱导和车位共享分配优化^[8-9]进行了大量研究。车位预约与车辆诱导问题是基于需求侧进行优化，并考虑车位资源稀缺性约束，构建数学模型求解最优调度方案。针对电动公交汽车（battery electric buses，BEBs）充电诱导问题。He等^[10]采用滚动水平方法优化电动公交汽车实时充电调度；Gairola等^[11]提出确定性优化框架，降低电动公交汽车运营成本；Wu等^[12]考虑充电价格变化，以最低充电成本为目标构建充电诱导模型；Liu等^[13]提出紧急优先充电（urgency first charging，UFC）诱导策略，根据充电需求和剩余停车时间计算充电紧急程度；Liu等^[14]通过引入车对车（vehicle-to-vehicle，V2V）预约充电模式，实现分布式停车场（parking lots，PLs）的高效利用。上述研究较为贴近真实场景，但模型复杂性较高且研究对象较为单一，普适性有限。

车位共享分配理论是基于供给侧进行优化，得出相应目标下的车位最优分配方案。Jiang等^[15]考虑不确定需求因素，提出停车需求不确定下的共享车位分配问题。Hu等^[16]将停车不准点分配问题转换为随机规划模型；孙超等^[17]建立考虑潜在需求的区域多停车场泊位动态预约与分配整数规划模型；蒋韶华等^[18]构建基于弹性需求和动态定价的泊位分配非线性混合整数规划模型。针对用户偏好的车位分配问题，郭缙烨等^[19]考虑用户对车位满意程度，以车位利用率和综合前景价值综合最大为目标构建模型并使用遗传算法求解；张水潮等^[20]提出考虑预约时刻、时长及延时需求的共享停车泊位分配模型。上述研究多针对共享车位开放时段配置优化现有停车需求，缺乏解析混合车位资源的耦合与匹配机理，导致设施端服务效能无法充分发挥。基于上述不足，Xie等^[21]提出混合车位共享问题。李常敏等^[22]构建考虑匹配优先级的共享混合停车位租用与分配模型；Yu等^[23]构建随机规划模型并基于用户充电请求得到实时车位分配策略；Mei等^[24]构建优化模型决策充电桩数量，使得电动汽车排队时间、燃油车辆排队时间和车辆转移到空闲停车场的总时间之和最小；Ding等^[25]构建了一个顺序移动博弈模型，证明“停充一体”方案在大多数现实情况下是经济可行的。

虽然上述研究展丰富，但仍面临诸多挑战。当前针对混合车位的研究多以经济效益最大化为目标，决策充电车位和充电基础设施的配置方案。并且，现有研究仅单一从供给侧或需求侧角度构建模型决策车位分配方案，没有整体考虑混合车位的供需匹配优化策略，限制了研究结果的普适性。此外，当前文献缺乏探究需求变化下混合车位配置策略的有效性及其影响机理，忽略了停车和充电资源之间复杂的耦合和转换机制，导致模型和算法的可行性较为有限。

综上所述，研究以停车、充电设施的匹配最优为目标，解决停车、充电供需不平衡的问题。与现有研究不同，研究综合混合车位供需两侧，分别提出车位共享分配方案和车辆预约诱导方案。基于需求侧，以削峰填谷为思想构建车辆预约诱导模型，决策用户调整后到达停车场的时刻；基于供给侧，构建车位共享分配模型，结合车辆排队情况，决策共享车位的个数和开放时段。为了验证模型的有效性和可行性，结合现实环境中停车场与充电站车辆到达分布规律，模拟全天停车场的停车与充电行为，对比两种方案的优化效果。考虑到交通网络用户出行具有随机性、时变性、动态性的特点，研究模拟停车、充电需求变化下的多种场景，深入解析预约与共享策略间的适用情景、转换机理与条件，拓展和丰富了混合车位供需匹配的相关研究。最后，基于上述结果，研究创新性地提出停车场预约、共享耦合机制下策略制定机理，为不同的利益相关者（如车辆用户、停车场运营商等）提供具体参考。

1 问题描述

考虑某区域内有一个公共停车场，其中25%的车位为充电车位，其余为停车车位（非充电车位）。停车场各时段停车、充电车辆到达量符合停车场与充电站车辆到达规律。由于高峰时段存在供需不匹配的现象，用户只能通过排队等待获得车位使用权，造成了大量时间及能源损耗。基于此，研究分别提出车辆预约诱导方案与车位共享分配方案，具体如图1所示。

车辆预约诱导方案提出车位供给不变，从时间维度对需求侧进行优化，该方案遵循“需求输入-预约诱导-信息反馈”的总体思路^[26]。用户需在出行前上传需求，即车辆到达停车场的时刻、在停车场停车或充电时长等信息，方案会计算停车场各时刻车辆的停车、充电排队时间。由于用户可接受的到达时刻能在一定范围内进行调整，因此该方案以削峰填谷为思想，诱导高峰时段部分车辆错峰到达停车场，将用户现场排队时间转变为线上等待时间，实现弹性到达，如图2所示。

车位共享分配方案提出停车、充电需求不变，从空间维度对供给侧进行优化，如图3所示。该方案利用停车、充电需求时间演化特征差异较大的特点，在停车高峰时段共享部分空闲的充电车位供车辆停放，在充电高峰时段共享部分空闲的停车车位，并增补移动充电设施，供车辆进行充电^[27]。

2 车辆预约诱导模型构建

2.1 模型假设

为简化模型运算，做出如下假设：①停车场到达的车辆仅考虑停车与充电行为。忽略巡游、临时落客等其他行为；②车辆排队时间忽略如泊车过程、扫码付费等时间损耗；③所有车辆均参与预约，且均接受调整后的到达时刻。

2.2 目标函数

模型的目标函数为停车场全天所有车辆的总排队时间最小，模型中定义的集合、变量及相关参数如表1所示。

（1）$ T=\min \left(\sum_{i \in I} t_{i}+\sum_{j \in J} t_{j}^{\prime}\right)$

式（1）中：

（2）$t_{i}=\left\{\begin{array}{ll}0, & \left|Q_{i}\right|＜c_{\mathrm{n}}, \\b_{i}-a_{i} & \left|R_{i}\right| \geqslant 0\end{array}, \quad i \in I\right.$

（3）$t_{j}^{\prime}=\left\{\begin{array}{ll}0, & \left|S_{j}\right|＜p_{\mathrm{n}} \\e_{j}-d_{j}, & \left|U_{j}\right| \geqslant 0\end{array}, \quad j \in J\right.$

式中：T为停车场全天所有车辆的总排队时间，其值等于停车车辆的排队时间与充电车辆的排队时间之和；t_i为i车在停车场的充电排队时间，t'_j为j车在停车场的停车排队时间；$\left|{Q}_{i}\right|$为i车到达停车场时，正在充电的车辆个数；$\left|{R}_{i}\right|$为i车到达停车场时，正在排队充电的车辆个数；c_n为充电车位个数；p_n为停车车位的个数；$\left|{S}_{j}\right|$为j车到达停车场时，正在停车的车辆个数；$\left|{U}_{j}\right|$为j车到达停车场时，正在排队停车的车辆个数；a_i为i车到达停车场的时刻；b_i为i车在停车场开始充电的时刻；d_j为j车到达停车场的时刻；e_j为j车在停车场开始停车的时刻。

式（2）、式（3）分别计算车辆的充电、停车排队时间，即停车场有空闲车位时，车辆的排队时间为零；当停车场无空闲车位时，某车辆的排队时间为该车辆开始充电、停车时刻与其到达停车场时刻的差值。

2.3 约束条件

由于停车车辆的约束条件与充电车辆完全一致，仅模型符号不同，本节仅描述充电车辆的约束条件。

（4）-l_i≤f_i≤l_i，i∈I

式（4）中：f_i为i车的弹性到达时间；l_i为i车弹性到达时间最大值。式（4）是弹性到达时间选择约束，保证充电车辆的弹性到达时间在规定范围内。考虑到不同用户群体的停车和充电行为存在差异^[28]。为了提高用户满意度，模型可针对不同用户群体设置其对应的弹性到达时间范围，提高方案的普适性。比如在高峰时段进行充电的用户主要是通勤人员，由于充电后用户还有其他事务，上述用户的时间敏感性较强，对于排队容忍度有限。因此，可提高上述用户的弹性到达时间范围，从而将其在现场的排队时间转变为线上等待时间。

（5）l_i≥0，i∈I

式（5）确保i车弹性到达时间最大值为非负数。

（6）g_i=a_i+f_i，i∈I

式（6）中：g_i为i车调整后到达时刻。式（6）是等式约束，即充电车辆调整后的到达时刻等于原始到达时刻和弹性到达时间相加值。

（7）$b_{i}=\min _{o＜i}\left(c_{o} \mid c_{o}＜a_{i}\right), \quad i \in I$

式（7）中：c_o为o车在停车场充电结束的时刻。式（7）是等式约束，表示i车辆开始充电时刻等于i车辆到达前所有车辆中充电结束时刻的最小值。

（8）c_i=b_i+h_i，i∈I

式（8）中：h_i为i车的充电时间。式（8）是等式约束，即充电车辆在充电站充电结束的时刻等于在充电开始充电的时刻与充电时间的相加值。

（9）$\left|{Q}_{i}\right|$≤c_n，i∈I

式（9）是充电车位服务能力约束，保证同一时刻停车场内充电的车辆数不能超过服务能力。

（10）A_n=c_n+p_n

式（10）中：A_n为停车场车位总数。式（10）是的等式约束，即总车位个数等于充电车位个数与停车车位个数之和。

（11）${\sum }_{m\in M}^{}$x_im=1，i∈I

式（11）中：x_im为0-1变量，即当i车选择m车位时，其值为1，不选择时则为0。式（11）描述的是车位选择约束，保证充电车辆都能够完成充电，且只选择1个充电车位进行充电。

（12）x_im∈{0，1}，i∈I，m∈M

式（12）为0-1变量，规定模型的决策变量只可以取0或1。

3 车位共享分配模型构建

3.1 模型假设

车位共享分配模型假设如下：①停车场到达的车辆行为仅分为停车与充电。不考虑巡游、临时落客等其他行为；②车辆排队时间忽略如泊车过程、扫码付费等时间损耗；③充电车辆在共享车位开放时段优先选择充电车位；④停车车辆在共享车位开放时段优先选择停车车位。

3.2 目标函数

由于共享车位数量越多，车位服务能力越大。因此，该模型的目标函数为停车场全天共享车位总数最大，模型中定义的集合、变量及相关参数如表1所示。

（13）GN=max${\sum }_{h\in H}^{}$（VCPS_h+VPS_h）

式（13）中：GN为停车场全天共享车位总数，其值等于共享充电车位数量与共享停车车位数量之和。

3.3 约束条件

由于停车车辆的约束条件与充电车辆完全一致，仅模型符号不同，因此仅描述充电车辆的约束条件。

（14）VCPI_k=$\left\{\begin{array}{ll}0,& \left|{R}_{k}\right|0,\\ {c}_{n}-\left|{Q}_{k}\right|,& \left|{R}_{k}\right|=0\end{array}\right.$，k∈K

式（14）中：VCPI_k为k时刻空闲充电车位的数量；$\left|{R}_{k}\right|$为k时刻停车场正在排队充电的车辆个数，$\left|{Q}_{k}\right|$为k时刻停车场正在充电的车辆个数；式（14）计算k时刻空闲充电车位的个数，即有车辆排队充电时，空闲车位数量为零；而无车辆排队充电时，空闲车位数等于总数与占用车位数的差值。

（15）VCPS_k=$\left\{\begin{array}{ll}VP{I}_{k},& VCP{I}_{k}=0\Lambda VP{I}_{k}0,\\ 0,& VP{I}_{k}=0\end{array}\right.$，k∈K

式（15）中：VPI_k为k时刻空闲停车车位的数量。VCPS_k为k时刻共享充电车位的数量；式（15）计算k时刻共享充电车位的个数，即无空闲停车车位时，共享充电车位数量为零，当有空闲停车车位但无空闲充电车位时，共享充电车位数等于空闲停车车位数。

（16）VCPS_h=min{VCPS_k$\left|k\in {T}_{h}\right.$}

式（16）中：VCPS_h为h时段共享充电车位的数……式（16）计算h时段共享充电车位的个数，即h时段共享充电车位个数等于该时段中所有时刻共享充电车位数中的最小值。

（17）Z_cpsh=$\left\{\begin{array}{ll}1,& VCP{S}_{h}0,\\ 0,& VCP{S}_{h}=0\end{array}\right.$

式（17）描述h时段停车车位开放是否共享，即当该时段共享充电车位数量为0时，不开放共享，大于零时，开放共享。

（18）$\left\{\begin{array}{l}s.t.式\left(10\right)~式\left(12\right)\\ \left|{Q}_{k}\right|\le {c}_{n}+VCP{S}_{k},　k\in K\end{array}\right.$

式（18）是充电车位服务能力约束，保证同一时刻停车场内充电的车辆数不能超过充电车位数与该时刻共享充电车位数之和。

4 案例分析

4.1 参数设置

假设城市中心存在某公共停车场，其周边设施种类多样，包括医院、商业区、居民区等，导致高峰期间停车、充电需求较大，排队现象频发。参考《城市停车规划规范》（GB/T 51149—2016）、国家发展和改革委员会《关于进一步提升电动汽车充电基础设施服务保障能力的实施意见》《电动汽车充电基础设施规划设计标准》（DB11/T 1455—2017）等文件，设置该停车场车位总数为100个，由75个停车车位和25个充电车位组成，全天停车、充电车辆到达量等相关参数如表2所示。

4.2 测试方案

为了解析预约、共享策略的适用情景和方案之间的转换条件，提出3种方案进行对比，如表3所示。为确保公平，各方案中全天车辆总数、相同车辆的停车、充电时间等相关参数完全相同。其中，方案一为原始方案，即所有车辆在原始到达时刻来到停车场；方案二在其基础上，考虑用户具有预约意识，即用户提前上传到达时刻、停车或充电时长等信息。由于车辆预约诱导模型为整数规划模型，可以在一定时间内求解。使用Gurobi求解器，通过在Python 3.10.11中调用Gurobi 11.0.1，并在配备Intel i5-1340P 1.90 GHz 16 GB RAM的环境中求解该模型，推荐给每位用户到达时刻调整方；方案三为车位共享分配方案，使用Gurobi求解器求解模型，决策得到停车、充电车位共享时段和车位数量。

4.3 讨论

测试过程中，原始方案全天各时段停车车辆到达趋势参考北京市西城区停车数据，原始方案全天各时段充电车辆到达趋势参考北京市级平台e充网提供的电动汽车公共充电站脱敏数据集，整理上述数据后得到停车场全天车辆到达分布情况，具体如图4所示。由于受到阶梯电价等因素影响，充电高峰时段分别为15：00—17：00、23：00—01：00，上述4 h到达量占全天总量的25.3%。而停车高峰时段分别为08：00—11：00、13：00—15：00，上述4 h到达量占全天总量的37.28%。整体上看，停车需求主要集中在白天，充电需求主要集中在下午和夜间。由此可见，停车与充电高峰存在显著差异，停车与充电时空资源的耦合和匹配难以达到供需平衡。由于该案例中停车场车辆的到达规律、停留时间、车位配置等相关参数均是根据现实情况设置的，因此可以验证真实情况，具有较强的实用性。

在方案一的基础上，求解方案二和方案三，各方案停车、充电车辆到达量如图5所示。其中，由于高峰期间绝大多数出行都存在15~30 min的弹性时间，因此预约方案中所有用户可接受的最大弹性到达时间设置为15 min。由图5可知，预约方案停车、充电高峰时段到达车辆数均明显下降，结合表4可知，预约方案能够做到削峰填谷，将高峰时段部分车辆调度至其他时段，降低车辆排队时间。同时，考虑到交通网络结构下用户出行行为具有随机性的特点，因此存在部分用户临时出行而违反预约的现象。为了探究该行为对于预约方案的影响，选取违约比例进行分析，验证该参数在不同比例下方案的效果。结果表明，即使部分用户没有按照调整后的时刻到达停车场，也不会对预约方案效果产生较大影响，证明该方案能够适应现实情景。

停车、充电车位共享时段及共享车位个数如表5、表6所示。可以看出，停车车位在19：00—21：00、23：00—01：00这两个时段共享。由于上述时段电价较低，充电排队现象频发，而停车车辆较少；充电车位在09：00—13：00进行共享，在上述时段中，充电车辆较少，但由于交通出行较多而导致停车排队现象频发。结合图4可知，13：00—15：00停车排队现象严重，但该时段空闲充电车位极少，无法进行共享；而15：00—17：00充电排队现象严重，但该时段停车车辆到达较多，空闲的停车车位极少，无法进行共享。因此共享方案在上述两个时段无法优化。

各方案测试后，首先选取总排队时间（QT）、排队时间优化比例（QTB）作为指标。而后，选取排队时间在5 min内的车辆比例（QT5）作为指标。最后，与原始方案相比，排队时间减少的车辆比例越多，方案的可行性与普适性越高，因此选取排队时间减少的车辆比例（LQT）作为指标。表7为三种方案下各指标的统计信息。

由表7可知，相较于原始方案，方案二、方案三中各指标优化效果良好，这说明预约和共享策略对于缓解排队现象具有正向效应。结合表7中分析，可得到如下结果。

（1）共享车位数量较多时，共享方案效果远高于预约方案。而在非高峰时段，预约方案效果较好。

（2）预约方案中排队时间减少的车辆比例远高于共享方案。这是由于共享方案只在部分时段进行优化，而预约方案是对于全天进行优化，因此更多车辆能从中受益。

（3）由于交通网络结构下车辆出行具有随机性等特点，因此预约方案存在不确定性，可行性有限；共享方案在充电高峰时段需增设移动充电设施，导致其运营、维护成本较高。此外，由于共享方案无法进行削峰填谷，导致充电高峰时段电网负荷较大，电力资源紧张。

图6、图7分别为各方案车位平均周转率和平均利用率。方案一中，高峰时段车位周转率、利用率明显高于其他时段，呈现供需严重不均衡的现象。方案二中，停车、充电高峰时段部分车辆提前或延后出发，在其他时段到达停车场。其中，停车车位在05：00—08：00、11：00—12：00这两个时段的服务效能大幅提升，充电车位在01：00—02：00，17：00—18：00这两个时段的服务效能大幅提升；而共享方案中共享时段的车位服务效能显著提升，说明预约和共享方案均可提高车位资源利用效率。

4.4 灵敏度分析

由于停车场车辆到达时刻具有不确定性，难以准确预测或描述其变化趋势。为了深层解析不确定需求下预约与共享策略的转换条件，假设全天车辆到达总量保持相对恒定，根据不同场景分别设置多种停车、充电需求比例，包括常规场景和极端场景，即停车车辆聚集拥堵或充电车辆聚集拥堵，具体如表8所示。

上述算例均采用Gurobi求解器求解，三个规模算例的求解时间均小于10 s，表明预约和共享方案可行性较高。表9为各场景下三种方案的指标结果，由表可见，相较于原始方案，方案二、方案三优化效果均较为良好，说明预约和共享策略在各场景下都对于缓解排队现象具有正向效应。综合以上分析，可得到如下结果。

（1）在极端场景下，预约方案能够同时缓解停车、充电排队现象，普适性较强；而共享方案能够大幅降低需求聚集导致的排队现象。

（2）在极端场景下，共享方案有效性较好。特别是当需求越高时，共享方案优化比例越大，这表明该方案对大规模的排队拥堵状况也有良好的优化效果。

（3）预约方案的效果与车位供需结构有显著的关系。当车位资源相同时，需求量增加，排队时间优化比例降低；而共享方案的效果与停车、充电车辆到达时刻演化特征有着显著关系。共享时段、共享车位数量越多，排队时间优化比例越高。

上述结果可为各情景下停车场预约、共享策略的转换条件提供相应依据，如表10所示。因此研究提出预约、共享耦合机制下的组合策略，为不同利益相关者提供具体参考。具体如下。

（1）可依据停车、充电车辆到达分布规律，分时段、分需求设置预约、共享策略。比如在常规场景下，建议在现有共享方案的基础上，13：00—19：00期间对充电车辆实施预约策略，缓解15：00—17：00充电高峰排队现象。

（2）常规场景下，建议在现有共享方案的基础上，在非高峰时段对于停车、充电车辆实施预约策略，使得排队时间减少的车辆比例增加，增强方案的可行性。

（3）极端场景下，建议在现有共享方案的基础上，全天实施预约策略，从而能够同时降低停车、充电车辆的排队时间，提高方案的普适性。

5 结论

针对高峰时段城市热点区域“停车难”与“充电难”叠加的问题，本文以混合车位为研究对象，构建车辆预约诱导模型和车位共享分配模型，求解模型后得到车辆预约诱导方案与车位共享分配方案。结合停车场、充电站车辆分布规律，模拟车辆的停车与充电行为，对比方案间的优化效果，得出如下结论。

（1）两种方案均能较好的降低排队时间、提高车位使用效率；预约方案普适性较强；共享方案可行性较高；预约方案效果与车位供需结构有显著关系；共享方案效果与停车、充电需求时间演化规律有紧密联系；建议停车场在现有预约、共享方案的基础上，分时段、分需求提出单一或组合策略。

（2）研究结果为多情景下停车场预约、共享耦合机制下的车位配置策略提供良好的参考。在未来研究中应提高算法求解效率和准确性。同时，由于EV保有量呈现破发式增长趋势，未来充电需求会持续增加。后续研究应考虑构建多阶段整数规划模型，确定停车场中新增充电桩的数量和功率，提高充电车位服务能力。此外，停车场布局、用户偏好等因素对方案整体效率的影响机制值得进一步关注。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Mastoi M S, Zhuang S, Munir H M, et al. An in-depth analysis of electric vehicle charging station infrastructure, policy implications, and future trends[J]. Energy Reports, 2022, 8: 11504-11529.

[2]	Babic J, Carvalho A, Ketter W, et al. A data-driven approach to managing electric vehicle charging infrastructure in parking lots[J]. Transportation Research Part D: Transport and Environment, 2022, 105: 103198.

[3]	胡路, 徐尉耀, 李皓. 考虑混合车位的自动驾驶电动共享汽车系统配置与运营联合优化[J]. 中国公路学报, 2024, 37(4): 37-47.

[4]	Hu Lu, Xu Weiyao, Li Hao. Joint optimization of mixed parking spaces and dynamic pricing for a shared autonomous electric vehicle system[J]. China Journal of Highway and Transport, 2024, 37(4): 37-47.

[5]	Zhang Z, Zhang F, Liu W. Economic analysis of parking, vehicle charging and vehicle-to-grid services in the era of electric vehicles[J]. Transportation Research Part B: Methodological, 2025, 191: 103133.

[6]	Kang J, Kong H, Lin Z, et al. Mapping the dynamics of electric vehicle charging demand within Beijing’s spatial structure[J]. Sustainable Cities and Society, 2022, 76: 103507.

[7]	Shi R, Zhang J, Su H, et al. An economic penalty scheme for optimal parking lot utilization with EV charging requirements[J]. Energies, 2020, 13(22): 6155.

[8]	Kchaou-Boujelben M. Charging station location problem: a comprehensive review on models and solution approaches[J]. Transportation Research Part C: Emerging Technologies, 2021, 132:103376.

[9]	Mei Z, Feng C, Ding W, et al. Better lucky than rich? comparative analysis of parking reservation and parking charge[J]. Transport Policy, 2019, 75: 47-56.

[10]	Shao C, Yang H, Zhang Y, et al. A simple reservation and allocation model of shared parking lots[J]. Transportation Research Part C: Emerging Technologies, 2016, 71: 303-312.

[11]	He Y, Liu Z, Song Z. Integrated charging infrastructure planning and charging scheduling for battery electric bus systems[J]. Transportation Research Part D: Transport and Environment, 2022, 111: 103437.

[12]	Gairola P, Nezamuddin N. Optimization framework for integrated battery electric bus planning and charging scheduling[J]. Transportation Research Part D: Transport and Environment, 2023, 118: 103697.

[13]	Wu J, Su H, Meng J, et al. Electric vehicle charging scheduling considering infrastructure constraints[J]. Energy, 2023, 278: 127806.

[14]	Liu S, Xia X, Cao Y, et al. Reservation-based EV charging recommendation concerning charging urgency policy[J]. Sustainable Cities and Society, 2021, 74: 103150.

[15]	Liu S, Ni Q, Cao Y, et al. A reservation-based vehicle-to-vehicle charging service under constraint of parking duration[J]. IEEE Systems Journal, 2022, 17(1): 176-187.

[16]	Jiang B, Fan Z P. Optimal allocation of shared parking slots considering parking unpunctuality under a platform-based management approach[J]. Transportation Research Part E: Logistics and Transportation Review, 2020, 142: 102062.

[17]	Hu J, Jiang Y. Accelerating benders decomposition approach for shared parking spaces allocation considering parking unpunctuality and no-shows[J]. Expert Systems with Applications, 2024, 240: 122346.

[18]	孙超, 尹浩为, 宋茂灿, 等. 考虑潜在需求的区域共享泊位滚动时域分配研究[J]. 交通运输系统工程与信息, 2023, 23(6): 141-152.

[19]	Sun Chao, Yin Haowei, Song Maocan, et al. Rolling time domain allocation of regional shared parking considering potential demand[J]. Journal of Transportation Systems Engineering and Information Technology, 2023, 23(6): 141-152.

[20]	蒋韶华, 贾晓燕, 吕维珩. 基于弹性需求和动态定价的共享泊位分配[J]. 科学技术与工程, 2024, 24(10): 4329-4335.

[21]	Jiang Shaohua, Jia Xiaoyan, Lü Weiheng. Shared berth allocation based on elastic demand and dynamic pricing[J]. Science Technology and Engineering, 2024, 24(10): 4329-4335.

[22]	郭缙烨, 胡军红, 傅文陵, 等. 基于累积前景理论的共享停车泊位匹配模型[J]. 科学技术与工程, 2024, 24(28): 12357-12365.

[23]	Guo Jinye, Hu Junhong, Fu Wenling, et al. Shared parking space matching model based on cumulative prospect theory[J]. Science Technology and Engineering, 2024, 24(28): 12357-12365.

[24]	张水潮, 蔡逸飞, 黄锐, 等. 基于预约需求的共享停车平台泊位分配方法[J]. 交通运输系统工程与信息, 2020, 20(3): 137-143, 162.

[25]	Zhang Shuichao, Cai Yifei, Huang Rui, et al. Shared parking space allocation method considering reservation demand[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(3): 137-143, 162.

[26]	Xie M, Wang H, Gao Y, et al. A rolling-horizon framework for managing shared parking and electric vehicle charging[J]. Sustainable Cities and Society, 2023, 98: 104810.

[27]	李常敏, 魏文彬, 张露. 考虑匹配优先级的共享混合停车位租用与分配问题研究[J]. 交通运输系统工程与信息, 2022, 22(3): 190-197, 223.

[28]	Li Changmin, Wei Wenbin, Zhang Lu. Rental and allocation of shared mixed parking spaces considering matching priority[J]. Journal of Transportation Systems Engineering and Information Technology, 2022, 22(3): 190-197, 223.

[29]	Yu G, Ye X, Gong D, et al. Stochastic planning for transition from shopping mall parking lots to electric vehicle charging stations[J]. Applied Energy, 2025, 379: 124894.

[30]	Mei Z, Que Z, Qiu H, et al. Optimizing the configuration of electric vehicle charging piles in public parking lots based on a multi-agent model[J]. Physica A: Statistical Mechanics and its Applications, 2023, 632: 129329.

[31]	Ding Y, Jian S. Strategic collaboration between land owners and charging station operators: lease or outsource?[J]. Transportation Research Part B: Methodological, 2022, 166: 183-211.

[32]	Lin J, Wang Z, Peng B, et al. Does making a reservation make sense? understanding charging induction scheme performance for electric vehicles[J]. Physica A: Statistical Mechanics and its Applications, 2025, 666: 130537.

[33]	陈程, 石超峰. 实时需求下的带时间窗移动充电车在线调度算法[J]. 科学技术与工程, 2023, 23(15): 6513-6521.

[34]	Chen Cheng, Shi Chaofeng. Research on online scheduling algorithm of mobile charging vehicle with time window under real-time demand[J]. Science Technology and Engineering, 2023, 23(15): 6513-6521.

[35]	李颖, 侯学睿, 刘晨辉. 基于有序逻辑回归模型的电动汽车充电行为分析[J]. 科学技术与工程, 2025, 25(8): 3473-3479.

[36]	Li Ying, Hou Xuerui, Liu Chenhui. Research on the charging behavior of electric vehicles based on the ordered logistic regression model[J]. Science Technology and Engineering, 2025, 25(8): 3473-3479.