理论研究 | 交通网络协同的新能源汽车充电设施分类优化——出行链可达性与模型驱动的南京实践

导读

公共充电设施布局是城市交通低碳转型的核心议题，其空间效能直接影响新能源车辆出行效率与路网通行质量。本研究以南京主城区为案例，构建"驾车可达性-步行可达性"双阶段出行链评估框架，采用改进的高斯两步移动搜索法与累积机会法，定量分析快充、慢充、超充设施的空间效能与供需关系。主要发现包括：（1）快充设施在交通-产业复合功能区形成空间集聚，但历史城区文旅节点存在服务盲区；（2）慢充设施实现居住区全域覆盖，但社区低效空间整合不足导致夜间利用率波动；（3）超充设施受技术适配性制约，沿产业走廊形成低效布局带。通过贝叶斯超参数优化对比RF、GBDT、SVM、XGBoost、LightGBM模型，筛选LightGBM算法进行需求预测，结合供需聚类与现有设施服务范围生成网格级选址优化方案。提出分类适配策略：快充设施推进历史街区与交通枢纽的协同布局，慢充设施激活社区闲置空间构建便民服务节点，超充设施衔接产业走廊储能网络。研究为高密度城市充电设施规划提供优化方法，通过充电网络与交通网络的协同，缓解新能源车主里程焦虑，可减少跨区通勤绕行率，助力构建“车-桩-路”协同的城市交通碳达峰体系。

本文字数：17462字

阅读时间：53分钟

作者 | 罗梦琳，孙明

东北林业大学

关键词

新能源汽车，公共充电设施，出行链可达性，交通网络协同，低碳交通规划，LightGBM算法

01

引 言

新能源汽车作为低碳交通重要载体，其充电设施布局面临显著挑战。截至2024年11月，我国新能源汽车保有量达1143.3万台，公共充电设施332.9万台，仍存在"充电难-布局乱-体验差"矛盾[1]。既有研究表明，设施总量不足、空间失衡与供需低效形成的结构性矛盾[2]，现有研究焦点已从充电技术[3]、经济评估[4]、电网优化[5]逐步转向规划方法[6]与空间模型[7]。规划决策需统筹交通网络、土地利用及用户行为[8]，地理信息系统分析证实交通可达性决定服务半径，基础设施密度与土地用途影响需求分布[9]，城市功能分区塑造时空规律[10]。

规划方法从混合整数规划转向多目标优化：NSGA-II和NSWOA算法平衡成本与效率[11]，鲁棒模型应对需求波动[12]，时空仿真揭示需求极化特征[13]。用户行为研究表明通勤模式与充电决策关联显著[14]，热门目的地布局可提升电动里程[15]。政策层面，伦敦超低排放区加剧供需矛盾[16]，"15分钟城市"理念降低碳排放[17]；经济层面需平衡超快充电设施成本与效率[18]。

既有研究存在三方面局限：快充/慢充/超充设施配置同质化忽视发展和特点的梯度差异；数据来源单一依赖；出行链动态解析维度缺失。作为城市交通关键基础设施，公共充电设施时空分布与新能源车辆出行效率显著相关，并深度耦合于交通碳排动态机制。在碳中和目标下，需构建路网分级-多模式交通-城市密度协同框架，解决高密度城区充电需求与交通流量的时空错配问题。

本研究以南京主城区为对象，构建"驾车寻桩-步行可达"双阶段评估体系，结合改进的高斯两步移动搜索法与累积机会模型识别供需失衡区域。通过贝叶斯优化的LightGBM框架解析多源数据关联，建立快充/慢充/超充设施适配准则，形成历史城区保护更新、社区嵌入式布局与多元技术协同路径。该范式突破设施同质化、数据单一性及出行链解析不足局限，为动态整合型规划提供方法创新。

02

研究范围与数据

2.1

研究区域

研究范围覆盖南京主城区约280平方公里，包含鼓楼区、秦淮区、玄武区、建邺区全域，以及雨花台区、栖霞区、江宁区的部分区域。南京主城区作为新能源汽车推广示范城市，已部署快充、慢充与超充设施，其充电网络优化纳入十四五规划政策范畴。为克服传统行政区划对充电设施与居民出行行为空间协同性分析的局限性[19]，研究基于功能特征将主城区划分为五大单元：老城区承担商业文旅核心功能，河西区域定位现代化商务居住区，城南区域涵盖交通枢纽与混合通勤需求，铁北区域融合产业与住宅功能，紫金山-玄武湖区域需协调生态保护与文化发展。

图 1 研究区位及范围划定

2.1.1数据收集

本文研究数据都为静态数据，共收集公共充电桩数据、道路数据、便利设施数据、人口分布数据、充电用户行为信息以及来自于南京公安局官网和国家统计局的统计数据，见表 1。

表 1 研究数据信息

2.1.2 数据预处理

数据预处理通过Python爬取高德API平台公共充电设施POI数据，具体流程包括：第一步获取高德地图覆盖南京市96%充电站点信息，提取各站点充电桩功率及数量数据；第二步对线上信息不全或无实时更新的充电设施实施线下实地核查，补充功率与数量数据并删除停运站点；第三步依据《新能源汽车公共充电设施运营管理服务导则》[22]规定的功率标准进行分类（表2），形成快充、慢充、超充三类设施空间分布数据集（图2）。

表 2 充电设施分类表

图 2 充电设施分布图

路网等级决定通行能力，充电设施布局需匹配道路承载力。本研究的分级路网数据源自Open Street Map平台，使用ArcGIS Pro软件进行数据处理：首先按高速、快速路、主干道、次干道、支路的道路类别从总路网中提取出了驾车道路网络，步行活动道路网络基于总路网剔除高速路与快速路，对驾车道路和步行道路网络道路分别进行中心线提取与拓扑检查，见图 3。

图 3 道路网络图

基于南京市新能源汽车保有量与常住人口数据，计算人均保有量0.0237辆，假设车辆按人口均匀分布，通过栅格计算器将人口数据转换为车辆密度栅格。使用多值提取工具将密度值赋至空间点位，与六边形网格空间连接生成新能源汽车分布图（图 4），结合分级路网速度优化可达性模型。

图 4 新能源汽车空间分布图

《中国新能源汽车用户充电行为白皮书》数据显示，2021年6月至2022年6月南京市55%的新能源汽车用户选择公共停车场或大型场站充电，20%集中于居民区及写字楼。全国充电高峰时段分布在05:00-07:00、12:00-16:00及23:00-01:00，快充与超充设施使用率占比96%，慢充设施仅占4%。用户需求调查显示，77%受访者倾向社区周边布局，38%选择办公区域，30%建议商场增设充电设施，反映了充电场景与日常活动路径的空间关联特征。

基于白皮书公布的南京充电场所使用频率，研究将公共设施划分为五类功能区：公共服务设施、商业设施、公司企业、居住设施、交通设施。通过高德API平台获取2024年10月相关POI数据（表 3），建立充电行为空间数据库。考虑到交通枢纽类POI未包含停车场数据，研究补充纳入停车场点位至交通设施类别，完善空间分析要素。

表 3 poi数据表

研究建立的充电设施可达性评估体系如图5所示，包含静态空间属性与政策约束要素。充电服务数据通过驾车-步行双模型评估覆盖能力，基础设施数据记录充电桩位置、功率及路网层级，POI设施数据依据功能区预测需求，上位规划数据明确用地政策与生态限制条款，用户需求数据整合充电行为特征与车辆保有量分布。该体系通过空间均衡分析与政策合规校验，为城市规划充电网络提供决策依据。

图 5 本文研究充电设施可达性涉及到的相关数据

03

研究方法和模型构建

3.1

充电出行链构建

充电行为呈现早间、午后及夜间三峰特征，其时空分布与居民通勤特征高度重合[23]，通勤高峰时段的交通流量压力，进一步放大了充电需求与路网承载力的矛盾。由于用户倾向配套完善的公共场站充电，据此假设车主充电期间步行至周边活动。基于用户倾向选择配套完善场站充电的行为规律，本研究假设车主充电期间步行至周边活动，将充电周期简化为“驾车寻桩-步行服务”双阶段模型[24]，解析效率与便民性的协同关系：驾车可达性评估服务效率，步行可达性量化便民品质，形成综合空间效能评价体系（图 6）。

图 6 充电出行链图

3.2

公共充电设施的空间分析方法

3.2.1 最近邻分析法

本研究采用平均最近邻指数分析快充、慢充、超充设施的空间分布模式，通过实测与理论随机分布的平均距离比值判定集聚、随机或均匀分布。当z>1.96且p<0.05时，表明分布模式在95%置信度下显著非随机；z>2.58且p<0.01时则为99%置信度极显著非随机。

3.2.2 核密度分析法

核密度通过计算点要素在网格单元的密度分布识别聚集区域。研究针对商业、住宅、工业、公共服务、交通设施和绿地6类POI进行密度分析，基于经验法则确定最佳搜索半径。

3.3

基于出行链的公共充电设施可达性的模型构建

3.3.1改进的高斯两步移动搜索法

为提高可达性计算精度，本研究改进传统高斯两步移动搜索法[25]，突破仅考虑距离衰减效应的局限。创新引入道路分级限速参数：驾车网络按高速及快速路80km/h、主干道60km/h、次干道40km/h、支路20km/h分级[26]；步行网络统一设为5km/h[27]，并将路网阻抗转换为分钟单位，通过ArcGIS Pro网络分析生成成本矩阵。

第一阶段：以充电设施为供给点 j，设定驾车单程时间阈值30min作为搜索域[28]，统计域内新能源汽车数量，利用高斯衰减函数加权计算供需比（式1），其中Sj(k)为设施 j 充电桩数量，tij(k)为网格点 i 到设施 j 的驾车时间成本，Pi(k)为域内车辆数，G(tij(k),t0(k))为高斯时间阻抗函数（式2）。

第二阶段：以网格点 i 为中心，统计阈值时间内的充电设施 j，按高斯衰减加权求和计算综合可达性Ai(k)（式3），值越大表明可达性越优，实现快充、慢充、超充设施分类型效能评估。

3.3.2 累计机会法

累积机会法通过统计需求点周边阈值范围内的设施数量评估可达性[29]。针对步行活动阶段，设定快充、慢充设施步行时间阈值为15分钟，超充设施为5分钟（充电时间≤20分钟）。引入分段衰减函数改进方法[30]：0-5分钟衰减系数f(t)=1，5-10分钟f(t)=0.6，10-15分钟f(t)=0.2[31]，反映设施吸引力随步行时间增加逐级降低的特性。计算公式如式4所示，Sk表示网格点i到达设施k的累计机会值，N为阈值内设施数量，f(t)为衰减函数权重。

3.4

可达性供需聚类分析方法

研究采用全局与局部空间自相关方法分析新能源汽车密度与充电设施可达性关联。全局莫兰指数I取值区间为-1至1，负值表征负相关，正值表征正相关，零值表示随机分布。局部分析运用双变量莫兰指数识别四种关联类型：高可达性-高密度区域、高可达性-低密度区域、低可达性-高密度区域、低可达性-低密度区域，以及统计不显著区域，空间聚类结果通过Geoda软件可视化呈现。

3.5

公共充电设施优化方法

3.5.1 OLS与MGWR模型

采用普通最小二乘法（OLS）分析充电设施可达性与POI密度的全局线性关系，筛选通过显著性检验（p<0.01）且无多重共线性（VIF<7.5）的变量。进一步通过多尺度地理加权回归（MGWR）模型[32]，为每个解释变量单独优化空间带宽，捕捉变量在不同尺度的空间异质性，生成快充、慢充、超充设施的POI权重。

3.5.2 LightGBM模型构建

LightGBM通过直方图算法、特征互斥捆绑与叶子生长策略优化GBDT算法，显著提升训练速度与内存效率，并内置正则化项防止过拟合[33]。输入参数包括POI权重、逆向可达性指标（1-原始可达性值）及路网密度，经归一化处理后消除量纲差异。通过贝叶斯优化对比将RF、GBDT、SVM、XGBoost、LightGBM模型，以AUC、AP及训练时间为评估指标，筛选LightGBM为最优算法。

3.5.3 分级响应优化机制

基于供需聚类特征，建立分位数阈值选址规则：快充与超充模型中，筛选低可达性-高密度区域前80%概率网格作为优先选址区；高可达性-高密度区域按70%分位值控制设施扩容；低可达性-低密度区域禁止新建设施。慢充模型仅针对低可达性-高密度区域优化。利用ArcGIS空间连接工具生成网格化地图，排除现有设施服务覆盖区域，实现精准空间匹配。

图 7 实验流程图

04

结果与讨论

4.1

空间效能评估

4.1.1公共充电设施的空间分布特征

南京市公共充电设施呈现快充主导格局，快充、慢充、超充设施数量占比分别为62.12%、21.15%、16.73%，充电桩数量占比分别为59.69%、24.68%、15.63%（表4）。

三类设施呈现显著空间集聚特征如表 4所示：快充设施集聚强度最高，集中分布于河西商务区江东街道至沙洲街道、老城核心区中央门街道至湖南路街道；慢充设施覆盖南苑街道至雨花街道等居住密集区；超充设施在城南软件谷及南京南站周边形成点状分布，夫子庙至湖南路街道等历史保护区因空间管制呈现低密度特征如图 8所示。快充设施高占比反映新兴功能组团对交通效率的侧重，慢充设施在居住区覆盖不足暴露社区整合缺陷，超充设施沿产业走廊的零散分布体现技术适配与历史保护双重制约。规划层级差异揭示高密度城市更新中效率导向与民生需求的动态博弈。

表 4 最近邻分析结果

图 8 充电设施核密度图

4.1.2充电设施出行链可达性的空间特征

基于改进两步移动搜索法评估驾车可达性，结果显示：快充设施高可达性区域集中于河西兴隆-沙洲-双闸街道、城南沿沪蓉高速街道、老城中央门街道及铁北宝塔桥-小市街道；慢充设施在河西江东商业旅游中心区扩展覆盖，与快充设施在河西、城南区域分布重叠；超充设施高可达性区主要分布于河西兴隆-沙洲-双闸街道、城南沿沪蓉高速街道，少量分布于老城中央门-宁海路街道及铁北宝塔桥-建宁路街道（图 9）。快充设施依托新兴区域路网优势覆盖老城与铁北区域，但历史街区的窄路网限制服务密度；超充设施沿产业走廊形成孤岛布局，显示技术适配滞后与电网承载能力不足。驾车可达性呈现多核集聚与边缘盲区并存的空间分异特征。

图 9 驾车找桩阶段各类充电设施可达性图

基于累计机会法的步行可达性分析表明：快充设施高可达性区集中分布于老城区湖南路-新街口-老五村-洪武路街道及河西江东-南苑街道；慢充设施高可达性区覆盖老城区中央门-新街口-朝天宫-洪武路街道，并延伸至沙洲街道、建宁路及东山街道；超充设施因服务范围限制，零散分布于老城区湖南路-洪武路街区、河西南苑街道、城南中国软件谷及雨花街道，呈现点状布局特征（图 10）。快充与慢充设施在老城商业核心区形成高可达性覆盖，但布局与社区入口存在空间脱节；超充设施点状分布远离日常活动中心，步行网络衔接不足导致服务边缘化。

图 10 步行活动阶段各类充电设施可达性图

研究通过改进两步移动搜索法评估驾车可达性，结合累计机会法量化步行可达性，以1:1权重叠加生成快充、慢充、超充综合可达性（图 11）。结果表明，快充设施高可达性区域集中于河西区域的兴隆-沙洲-双闸街道、铁北区域的宝塔桥-小市街道及老城区的中央门-湖南路街道；慢充设施高可达性区主要分布于河西区域的南苑-兴隆街道、双闸-沙洲街道、城南区域的东山-雨花街道、秦虹-中华门街道及主城区老五街-大光路街道；超充设施高可达性区集中于河西区域的双闸-沙洲街道、江东-南苑街道、城南区域的赛虹桥街道-中国软件谷及老城区湖南路-夫子庙街道。河西、城南区域依托交通走廊构建连续服务网络，但步行网络衔接不足；老城区虽处于充电需求密集区，窄路网与历史保护限制抑制步行网络延展；紫金山等边缘区域因双重阶段服务缺失形成盲区。现状布局需通过路网优化与社区嵌入式改造提升服务均衡性。

图 11 各类充电设施的出行链综合可达性图

4.2

供需矛盾诊断

4.2.1 充电设施可达性全局空间自相关特征

研究进行全局Moran's I指数分析，南京主城区快充、慢充、超充设施的综合可达性Moran's I值分别为0.7038、0.8753、0.7591，P值均小于0.001，Z值分别为62.45、73.14、64.97。结果表明，南京主城区各类充电设施的可达性分布非随机，空间关联性及集聚效应显著。

4.2.2 充电设施分类型矛盾区域识别

供需聚类分析（图12）显示：老城区作为历史建成区，快充、慢充、超充设施均呈现高密度低-高异质区。快充设施矛盾区集中于老城宁海路-朝天宫-夫子庙街道及铁北燕子矶-迈皋桥街道；慢充设施矛盾区全域覆盖老城，并延伸至铁北建宁路-迈皋桥-燕子矶街道和河西江东-凤凰街道；超充设施在老城（除中央门街道）及河西江东-凤凰街道存在供需错配，铁北小市-迈皋桥-燕子矶街道形成低-高聚集。河西江东-凤凰街道独立形成高需求热点，城南中央门-秦虹街道与铁北燕子矶-迈皋桥街道呈现低供给-高需求矛盾。紫金山-玄武湖区域仅锁金村街道存在零星低-高异质区。老城区历史保护政策限制快充设施扩容，低效空间未激活导致慢充时空错配；新兴区域充电网络与交通枢纽协同不足，超充设施受电网承载与技术适配制约。

图 12 各类充电设施综合可达性的供需聚类图

4.3

分级响应优化

4.3.1 MGWR模型结果及poi权重确定

研究将充电设施出行链综合可达性与五类POI设施进行多尺度地理加权回归分析，通过普通最小二乘法OLS筛选变量，快充与慢充模型保留公共服务、公司企业、交通设施、居住设施四类样本，超充模型筛选出公共服务、公司企业、交通设施三类样本。基于多尺度地理加权回归模型分析，快充、慢充、超充设施与POI的关联权重如表7所示。快充设施可达性受居住设施权重0.41与交通设施权重0.38主导，显示其布局与生活圈及交通节点高度相关；慢充设施以居住设施权重0.50为核心，公共服务权重0.22与公司企业权重0.19具有补充作用；超充设施呈现交通设施权重0.48与公司企业权重0.37双驱动，公共服务权重0.15次之。快充与慢充的居住设施主导性与充电行为数据中76.98%用户倾向社区布局的需求具有一致性。

4.3.2 LightGBM模型预测效果

研究通过贝叶斯优化LightGBM模型构建充电需求预测框架，模型测试集综合得分对比显示，LightGBM在10%至30%测试集比例下均优于RF、GBDT等算法。优化结果显示快充模型最佳训练集比例为15%，慢充与超充模型均为10%。贝叶斯优化后的超参数组合相比默认参数显著提升预测精度，AUC值提高12%至18%，相关结果如图 13、图 14和图 15所示。

图 13 不同算法效果综合对比图

图 14 各测试集比例效果图

图 15 有无贝叶斯的效果对比图

4.3.3 各类充电设施的优化布局

基于LightGBM预测的高需求网格与供需聚类筛选，生成三类充电设施优化选址图（图 16）。快充集中于老城区朝天宫-华侨路-双塘核心区并向宁海路-湖南路辐射，城南中华门、铁北迈皋桥点状补充；慢充全域渗透老城区，形成挹江门-新街口主轴并扩展至洪武路等节点；超充以双塘-朝天宫为核心向西延伸，河西凤凰街道培育次级节点。优化网格中，超充占比最高（53.6%），慢充次之（32.1%），快充最低（14.3%）。现状矛盾表现为：快充受历史保护限制难以扩展至高需求文旅区，慢充因社区改造滞后导致便民效能不足，超充放射状布局受限于电网负荷与光储充协同。

图 16 各类型充电设施优化选址网格图

05

策 略

5.1

快充设施优化策略

快充设施的优化需系统整合交通效率与步行服务双重维度。可在交通枢纽及主干道交汇处优先布局快充设施，通过立交桥下部空间集约化利用构建复合型充电站点，有效降低车辆寻桩时间成本；针对商业综合体停车场景，采用双枪快充与壁挂设备协同布局模式破解空间约束问题。居住区规划层面，研究表明地铁站出入口设置社区快充单元可提升终端补能效率，需通过分时电价调控机制实现高峰时段需求分流。步行衔接方面，建构充电设施与城市服务的空间耦合机制：商业区通过电子导航屏实现充电站与便利设施的实时联动指引，居住区采用围墙嵌入式设备增强步行可达性，景区规划则需差异化处理——自然区域结合绿道系统实施生态化快充桩设计，历史街区运用仿古造型设备实现风貌协调，并通过休憩区整合遮阳设施与自助服务终端优化用户体验（图 17）。

图 17 快充设施具体优化策略示意图

5.2

慢充设施优化策略

慢充设施优化重点提升居住区覆盖深度。优先改造老旧社区围墙边缘与废弃车棚构建5分钟步行网络；商住混合区推行"日间共享-夜间专用"智能地锁模式。居住密集区试点"慢充桩+快递柜+休息座椅"集成站点；社区菜市场、口袋公园周边增设分布式站点并设置夜间电价提醒屏。新建居住区规划强制预留充电设施与便民设施协同空间（图 18）。

图 18 慢充设施具体优化策略示意图

5.3

超充设施优化策略

超充设施部署需突破技术与场景限制。物流中心与高速服务区布局大功率超充站配套储能系统；产业园区平屋顶安装光伏板架设分体式超充桩。应急设施周边增设超充节点保障特种车辆补能；CBD地下停车场嵌入预约充电系统，用户通过APP锁定桩位并预订临时办公舱。高铁站与机场布局"超充+换电"综合站，租车用户归还车辆后系统自动匹配满电车源（图 19）。

图 19 超充设施具体优化策略示意图

06

结论与展望

本研究构建"空间效能-供需诊断-优化布局"协同框架，探索高密度城市充电设施与交通网络的动态耦合机制。理论层面提出"机动车寻桩-步行可达"双模态出行链模型，揭示充电行为与通勤路径的空间分异规律；方法层面融合改进型高斯二步移动搜寻法与LightGBM算法，生成交通流量联动的网格化决策集；策略层面建立快充枢纽协同、慢充社区渗透、超充产业联动的梯度适配体系。实证显示：快充设施在交通廊道与产业园区形成网络化格局，但受历史城区路网承载力限制产生服务盲区；慢充设施在居住区呈现粗放布局，与便民节点存在衔接断点；超充设施沿绕城高速离散分布，难以满足物流车辆集群补能需求。通过枢纽"快充岛"立体更新、社区"充电-便民"节点植入及产业走廊光储充节点配置，缓解交通充电叠加矛盾。

后续研究需突破三方面：整合实时充电数据与交通监测系统，构建出行热力识别模型；建立充电布局-电网响应-路网管控协同决策矩阵，推动光伏充电站等设施与城市空间整合；探索光储充系统与移动补能单元的梯度响应机制。通过充电预测与交通调控的动态协同，优化路网效能，促进绿色交通低碳转型。

注释&参考文献（上滑查看全部）

注释

1 本文受中国高等教育学会“2023年度高等教育科学研究规划课题”（23DF0405）、黑龙江省高等教育学会2023年高等教育研究课题（23GJYBJ006）教育数字化与教学大数据实践研究以及中央高校基本科研业务费专项资金项目（2572024DZ31）资助

参考文献

[1]Ashish Kumar Karmaker, Sam Behrens, M.J. Hossain, Hemanshu Pota. Multi-stakeholder perspectives for transport electrification: A review on placement and scheduling of electric vehicle charging infrastructure. *Journal of Cleaner Production*, 2023, 427: 139145. https://doi.org/10.1016/j.jclepro.2023.139145

[2]卞芸芸,黄嘉玲,郑郁. 基于供需平衡的广州市充电基础设施规划探索[J]. 规划师,2017,33(12):124-130. DOI:10.3969/j.issn.1006-0022.2017.12.018.

[3]T. Ding, Z. Zeng, J. Bai, B. Qin, Y. Yang and M. Shahidehpour, "Optimal Electric Vehicle Charging Strategy With Markov Decision Process and Reinforcement Learning Technique," in IEEE Transactions on Industry Applications, vol. 56, no. 5, pp. 5811-5823, Sept.-Oct. 2020, doi: 10.1109/TIA.2020.2990096.

[4]Saurabh, S., Kumar, A., & Kumar, R. (2025). Techno-economic analysis of grid-connected photovoltaic systems with battery energy storage: A comprehensive review. Energy Storage, 7(1). https://doi.org/10.1002/est2.70119

[5]王明深,袁晓冬,曾飞,等.新能源汽车充电设施规划运行关键技术研究综述[J/OL].电力自动化设备,1-15[2025-03-04]. https://doi.org/10.16081/j.epae.202502002.

[6]Sulabh Sachan, Sanchari Deb, Sri Niwas Singh, Different charging infrastructures along with smart charging strategies for electric vehicles, Sustainable Cities and Society, Volume 60, 2020, 102238, ISSN 2210-6707, https://doi.org/10.1016/j.scs.2020.102238.

[7]邢玉伟,王展华 & 杨华龙.(2025).需求可离散拆分新能源汽车充电策略和路径优化问题.控制与决策,40(03),987-995.doi:10.13195/j.kzyjc.2024.0161.

[8]Jing Kang, Hui Kong, Zhongjie Lin, Anrong Dang, Mapping the dynamics of electric vehicle charging demand within Beijing's spatial structure, Sustainable Cities and Society, Volume 76, 2022, 103507, ISSN 2210-6707, https://doi.org/10.1016/j.scs.2021.103507.

[9]Qimeng Ren, Ming Sun, Using AHP-Entropy method to explore the influencing factors of spatial demand of EVs public charging stations: A case study of Jinan, China,Journal of Cleaner Production, Volume 491, 2025, 144779, ISSN 0959-6526, https://doi.org/10.1016/j.jclepro.2025.144779.

[10]Zhiming Li, Zhengxi Fan, Yan Song, Yangbo Chai, Assessing equity in park accessibility using a travel behavior-based G2SFCA method in Nanjing, China, Journal of Transport Geography, Volume 96, 2021, 103179, ISSN 0966-6923, https://doi.org/10.1016/j.jtrangeo.2021.103179.

[11]Minan Tang, Yude Jiang, Shuyou Yu, Jiandong Qiu, Hanting Li, Wenxin Sheng, Non-dominated sorting WOA electric vehicle charging station siting study based on dynamic trip chain, Electric Power Systems Research, Volume 244, 2025, 111532, ISSN 0378-7796, https://doi.org/10.1016/j.epsr.2025.111532.

[12]Christian Anker Vandet, Jeppe Rich, Optimal placement and sizing of charging infrastructure for EVs under information-sharing, Technological Forecasting and Social Change, Volume 187, 2023, 122205, ISSN 0040-1625, https://doi.org/10.1016/j.techfore.2022.122205.

[13]Yue Xiang, Zhuozhen Jiang, Chenghong Gu, Fei Teng, Xiangyu Wei, Yang Wang, Electric vehicle charging in smart grid: A spatial-temporal simulation method, Energy, Volume 189, 2019, 116221, ISSN 0360-5442, https://doi.org/10.1016/j.energy.2019.116221.

[14]Jing Dong, Changzheng Liu, Zhenhong Lin, Charging infrastructure planning for promoting battery electric vehicles: An activity-based approach using multiday travel data, Transportation Research Part C: Emerging Technologies, Volume 38, 2014, Pages 44-55, ISSN 0968-090X, https://doi.org/10.1016/j.trc.2013.11.001.

[15]Evaluating the accessibility of on-street household electric vehicle charging stations in London: Policy insights from equity analysis across emission zones, Energy Policy, Volume 195, 2024, 114375, ISSN 0301-4215, https://doi.org/10.1016/j.enpol.2024.114375.

[16]Allam, Z., Nieuwenhuijsen, M., Chabaud, D., & Moreno, C. (2022). The 15-minute city offers a new framework for sustainability, liveability, and health. The Lancet. Planetary health, 6(3), e181–e183. https://doi.org/10.1016/S2542-5196(22)00014-6.

[17]Maocan Song, Lin Cheng, Mingyang Du, Chao Sun, Jie Ma, Huimin Ge, Charging station location problem for maximizing the space-time-electricity accessibility: A Lagrangian relaxation-based decomposition scheme, Expert Systems with Applications, Volume 222, 2023, 119801, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2023.119801.

[18]Cheon, S., & Kang, S.-J. (2017). An Electric Power Consumption Analysis System for the Installation of Electric Vehicle Charging Stations. Energies, 10(10), 1534. https://doi.org/10.3390/en10101534.

[19]孙鸿鹄,姜玉培. 建成环境对城市活力影响的空间异质性研究[J]. 地理研究,2024,43(7):1700-1714. DOI:10.11821/dlyj020230911.

[20]Chen, Y., Xu, C., Ge, Y., Zhang, X., and Zhou, Y.: A 100 m gridded population dataset of China's seventh census using ensemble learning and big geospatial data, Earth Syst. Sci. Data, 16, 3705–3718, https://doi.org/10.5194/essd-16-3705-2024, 2024.

[21]中国新能源汽车充电基础设施促进联盟, 能链智电 (NASDAQ:NAAS). (2023). 2022 中国新能源汽车用户充电行为白皮书.

[22]中国标准化协会. (2024). 新能源汽车公共充电设施运营管理服务导则 [团体标准] (T/CAS 840—2024). 取自 http://www.china-cas.org/

[23]Mao, F., Ji, M. & Liu, T. Mining spatiotemporal patterns of urban dwellers from taxi trajectory data. Front. Earth Sci. 10, 205–221 (2016). https://doi.org/10.1007/s11707-015-0525-4

[24]黄洁,高阳,付晓,等. 基于出行链的新能源汽车公共充电站点可达性研究——以北京市为例[J]. 地理研究,2022,41(12):3305-3317. DOI:10.11821/dlyj020220086.

[25]Luo W, Wang F. Measures of spatial accessibility to health care in a GIS environment: Synthesis and a case study in the Chicago region. Environment and Planning B: Planning and Design, 2003, 30(6): 865-884.]. DOI: 10.1068/b29120.

[26]DENG Li, SHAO Jing'an, GUO Yue, XU Xinliang. Spatial accessibility of medical services in mountainous regions based on modified two-step floating catchment area method: a case study of Shizhu County, Chongqing[J]. 地理科学进展, 2015, 34(6): 716-725 https://doi.org/10.18306/dlkxjz.2015.06.007

[27]Silva, A.M.C.B., da Cunha, J.R.R., & da Silva, J.P.C. (2014). Estimation of pedestrian walking speeds on footways. Proc. Inst. Civil Eng. Munic. Eng., 167, 32–43. doi:10.1680/muen.12.00048.

[28]Wang, Z. (2023). Annual report on the big data of new energy vehicle in China (2022). Springer Singapore. https://doi.org/10.1007/978-981-99-6411-6.

[29]Shivendu Shekhar Singh, Basudatta Sarkar, Cumulative opportunity-based accessibility measurement framework in rural India, Transport Policy, Volume 117, 2022, Pages 138-151, ISSN 0967-070X, https://doi.org/10.1016/j.tranpol.2022.01.009.

[30]Xia Z, Li H, Chen Y. Assessing Neighborhood Walkability Based on Usage Characteristics of Amenities under Chinese Metropolises Context. Sustainability. 2018; 10(11):3879. https://doi.org/10.3390/su10113879

[31]Zhonghui Jiang, Chunliang Wu, Hyungchul Chung, The 15-minute community life circle for older people: Walkability measurement based on service accessibility and street-level built environment – A case study of Suzhou, China, Cities, Volume 157, 2025, 105587, ISSN 0264-2751, https://doi.org/10.1016/j.cities.2024.105587.

[32]Yuejing Rong, Kai Li, Jiawei Guo, Lifu Zheng, Yue Luo, Yan Yan, Chenxing Wang, Chunli Zhao, Xu Shang, Zetong Wang, Multi-scale spatio-temporal analysis of soil conservation service based on MGWR model: A case of Beijing-Tianjin-Hebei, China, Ecological Indicators, Volume 139, 2022, 108946, ISSN 1470-160X, https://doi.org/10.1016/j.ecolind.2022.108946.

[33]Ma L Y, Yuan N Z. Research on abnormal condition early warnning for wind turbine based on CFSFDP and LightGBM[J]. Acta Energiae Solaris Sinica, 2023, 44(5):401-406(in Chinese). [27] Chen T, Guestrin C. Xgboost: A scalable tree boosting system[C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, USA, 2016:785-794.

*本文为2025中国城市规划年会论文

【免责声明】本公众号发布的内容仅供学习交流使用，不以任何形式进行牟利。内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系，我们将于第一时间协商版权问题或删除内容。内容为作者个人观点，不代表本公众号立场和对其真实性负责。

理论研究 | 上海创新型产业用地规划土地管理的思考——基于政策研究视角

点击图片阅读全文

理论研究 | 大数据和人工智能驱动下的城市体检技术架构与应用路径

点击图片阅读全文

理论研究 | 国土空间规划背景下城市生态廊道的城市设计响应

点击图片阅读全文