针对共享自动驾驶车辆的优化停车场选址：从最小路径距离的角度出发

《Journal of Transport Geography》：Optimized parking lot locations for shared autonomous vehicles: A perspective from minimum route distance

共享自动驾驶车辆（SAVs）的停车场选址需综合考虑车辆调度与空驶成本优化。本文提出两步框架：第一步通过最小路径覆盖问题确定SAV服务链及停车需求，第二步构建电容式终端中位模型（CFTMM）优化停车点布局，减少无效行驶。以成都为例，验证6500辆SAVs可满足日间75%以上需求，CFTMM较传统模型降低空驶里程12.3%，且动态扩展模型（CFTMM-D）结果稳定，证实了方法普适性。

　　

王Sunyu|赵向杰|王银鹰

中国香港大学城市规划与设计系

摘要

共享自动驾驶车辆（SAVs）正在革新城市交通系统，由于其独特的无人驾驶特性和共享运营模式，需要对交通基础设施，特别是停车设施进行重大升级。对于SAVs而言，停车场不仅作为闲置车辆的停放场所，还承担着服务起点和终点的功能，从而影响服务水平和车队运营效率。除了减排措施外，SAVs停车场的战略规划也是一个关键问题。在本文中，我们提出了一个两步优化框架来确定SAVs停车场的位置。第一步采用车辆-行程分配策略来探索SAVs的运营情况，解决了模拟方法的高计算成本和传统运筹学方法问题规模有限的问题。第二步将经典的容量限制p-中位数问题（CPMP）模型扩展为容量限制流终点中位数模型（CFTMM），以更好地反映实际情况。以成都为例，我们展示了该框架的有效性，并为城市政策制定者和交通网络公司提供了一些可行的见解。结果表明，与两个基准模型相比，CFTMM在有效降低车辆往返停车场的空驶成本方面表现更优。此外，6500辆SAVs可以满足所有出行需求，其中超过75%的SAVs在白天运行，并在晚上8点后逐渐结束工作。优化的停车场位置分布强调了在市中心保留部分停车位以及平衡城市和郊区停车需求的重要性。扩展的带动态特性的容量限制流终点中位数模型（CFTMM-D）也得到了类似的结果，进一步证实了CFTMM的有效性和效率。

引言

自动驾驶技术的快速发展加速了自动驾驶系统融入城市交通网络的过程，共享自动驾驶车辆（SAVs）作为一种特别有前景的应用应运而生。尽管目前的部署仍需要安全人员在必要时进行远程干预（通常一名安全人员可能需要管理多辆自动驾驶车辆），但人力资源的释放是显而易见的。这些车辆结合了共享出行服务与新兴的自动驾驶技术，有望提高效率、增强道路安全并减少交通拥堵（Feng等人，2023年；Kassens-Noor等人，2021年；Liu等人，2020年；Wei等人，2024年；Wang等人，2020年）。自动驾驶车辆制造商及其行业合作伙伴已在全球范围内开始在共享出行服务中部署自动驾驶车辆。值得注意的例子包括韩国首尔（Lee，2024年）、德克萨斯州和加利福尼亚州（Hawkins，2024年），以及中国的多个城市（News，2024b；News，2024a）。同时，他们正在积极建立必要的基础设施，特别是用于管理闲置车辆的停车设施。例如，Uber正在寻找存放其无人驾驶车队的地点，为这些地点配备充电设施和高速互联网，并培训技术人员进行维护。Lyft则与Flexdrive合作，将汽车租赁地点改造成无人驾驶汽车的停车场（Rana，2025年）。特斯拉强调了定期清洁SAVs的重要性，并开发了允许车辆自行驶往停车场内指定清洁位置的清洁机器人（Bünte，2025年）。

现有研究表明，采用SAVs可以减少车辆数量和停车需求（Lin等人，2026年；Golbabaei等人，2021年；Kumakoshi等人，2021年）。鉴于这种潜在的需求减少以及SAVs的无人驾驶特性，一些研究人员建议减少市中心的停车位，并将其迁移到偏远地区，以释放土地用于其他用途（Guerra和Morris，2018年；Zhang和Guhathakurta，2017年；Zakharenko，2016年；Fagnant和Kockelman，2015年；Kr?ger和Kickh?fer，2017年）。然而，停车场对SAVs的作用是复杂的。它不仅是车辆停放、存储和维护的空间，还是车辆调度和路线优化的关键枢纽（Choi和Lee，2023年）。如果分布不合理，SAVs的可持续性效益可能会因空驶车辆的活动而增加能源浪费和负面环境影响而部分抵消，因为未占用的SAVs要么在寻找下一位乘客，要么重新定位到偏远停车场，从而产生额外的行驶里程（VKT）（Bischoff和Maciejewski，2016年；Gurumurthy等人，2020年；Gurumurthy和Kockelman，2022年；Simoni等人，2019年）。此外，SAV车队的规模及其日常运营将直接影响停车需求，这为停车设施规划提供了重要见解（Golbabaei等人，2021年；Lin等人，2026年；Okeke，2020年）。因此，对SAV的运营进行建模并将其纳入停车场位置规划问题是必要的，以解决关键问题：如果用SAVs取代传统车辆，需要多少SAVs？这些SAVs在城市中的运营方式是什么？如何优化停车场布局以最小化与空驶车辆相关的行驶距离？

关于SAV停车问题的大部分现有研究依赖于基于模拟的方法来评估不同的停车策略或了解SAVs对城市的影响（Zhang等人，2015年；Kumakoshi等人，2021年；Kondor等人，2020年）。虽然这些方法适用于建模复杂系统，但它们在计算复杂性、可扩展性和泛化能力方面存在显著挑战。首先，基于模拟的方法通常需要高度详细的输入数据来构建模拟环境，这需要大量的计算资源，对于大规模应用来说成本过高。其次，所得结果通常与模拟中使用的特定场景和局部参数紧密相关，难以推广到其他城市，限制了结论的普遍性。最后，模拟模型主要作为评估工具，用于评估各种方案的性能。虽然它们可以根据现有配置确定有效的停车场分布方案，但缺乏自动生成最优停车场布局的能力。相比之下，运筹学（OR）方法将现实世界的规划问题转化为具有明确定义的目标和约束的数学模型。通过解决这些模型，我们可以获得规划问题的最优解。此外，由于它们的抽象性，这些优化模型通常不需要高度详细的数据，因此可以轻松应用于不同的城市环境。因此，本研究开发了一个数据驱动的优化框架，系统地解决城市规模SAVs停车场位置选择问题。

具体来说，本研究采用了一种新颖的两步优化框架来处理SAVs停车场的空间布局问题，该框架专为城市规模应用设计。通过明确将停车位置纳入车队服务规划，该模型旨在最小化车辆总行驶距离并提高运营效率。首先，我们采用车辆-行程分配策略，通过解决图上的最小路径覆盖问题来探索SAVs的运营情况并确定停车需求。然后，我们通过将经典的容量限制p-中位数问题（CPMP）模型扩展为基于流的设施位置模型（CFTMM），来选择停车场的位置。该模型旨在最小化车辆往返停车场的总行驶距离，从而减少与空驶相关的能源浪费和碳排放，促进可持续交通。该框架应用于成都的案例研究，为未来的SAVs停车场规划和部署提供了实际见解。

本文的其余部分组织如下：第2节简要回顾了相关工作。第3节介绍了方法，包括优化框架、车队规模算法和CFTMM的构建。第4节描述了研究区域和数据来源。第5节报告了结果。第6节介绍了模型扩展和获得的结果。第7节讨论了主要发现。第8节进行了总结。

章节片段

SAV服务和停车的回顾

SAVs的引入预计将改变城市交通系统，特别是在停车设施的规划和管理方面（Choi和Lee，2023年；Jin和Ma，2024年）。与传统打车车辆不同，SAVs通常由交通网络公司（TNCs）拥有和集中控制。这种集中控制的特点要求有专门的停车场用于日常管理、维护和清洁，以确保车辆保持最佳状态。

框架

两步优化框架如图1所示。在第一步中，我们通过解决最小车队问题来构建SAV服务链，该问题被抽象为有向无环图上的最小路径覆盖问题。我们的主要目标是在不造成任何延误的情况下，最小化满足需求所需的SAVs数量，因为车辆购置成本是当前市场运营成本的主要组成部分。然后我们直接从中得出停车需求。

研究区域

所提出的框架应用于中国西南部四川省省会成都的案例研究。在所有中国城市中，成都的打车订单数量排名第二（Wang和Noland，2021年）。该市还积极引入了共享自动驾驶车辆，并在新加坡-四川科技创新园启动了一项试点研究。本研究重点关注成都的五个中心城区，进行全面的案例分析。

空间和时间模式

表3总结了第一步获得的结果。2016年11月7日至13日期间，每日行程请求数量在160,000到183,000之间波动，周五和周六的需求显著增加。为了满足这一需求，平均每天需要大约36,300辆传统的DiDi车辆。相比之下，如果这些车辆被SAVs取代，那么产生的服务链将少于6500条。这表明少于6500辆SAVs就足够了。

扩展

SAVs以动态的方式为乘客提供出行服务，在空驶、占用和停车状态之间转换。因此，停在停车场的SAVs数量会随时间变化。作为原始模型的扩展，我们在更复杂的模型中纳入了车辆的动态停车操作。

讨论

近年来，SAVs引起了广泛关注，多个城市开展了试点研究以探索其融入城市交通系统的方式。SAVs的成功部署在很大程度上依赖于支持性基础设施，特别是停车场的战略设计和布局，这些停车场是未使用SAVs的存放场所。本文提出了一种两步优化框架，用于选择最佳的SAVs停车场位置，而这一点在现有研究中较少被探讨。

结论

停车场是SAVs最重要的支持基础设施之一，因为它们有助于减轻能源浪费和环境污染等负面影响。在本研究中，我们提出了一种创新的两步优化框架，用于最佳规划停车场位置。具体来说，我们使用车辆-行程分配策略来构建SAV服务链并推导出相关的停车需求。然后，我们提出了一个新的空间优化模型CFTMM。

CRediT作者贡献声明

王Sunyu：撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。赵向杰：方法论、调查、形式分析。王银鹰：撰写——审稿与编辑、验证、监督、方法论、调查、概念化。