[0001] 本发明涉及泊车收费技术领域，具体涉及基于充电桩的分布式路内泊车收费系统及其方法。

[0002] 分布式路内泊车是指在城市道路两侧或特定区域设置多个分散的停车位，供车辆临时停靠，并结合充电桩等基础设施提供停车与充电服务。由于城市车位资源有限、停车需求大且车位管理和维护成本高，因此对这些停车位进行收费有助于合理分配停车资源、提高车位周转率以及支持停车设施的运营和维护。基于充电桩的分布式路内泊车收费，是指在这些分布式停车位上结合充电桩，为停车和充电的车辆提供综合服务，并通过智能系统根据停车时长、充电需求等因素动态生成停车和充电费用，从而实现停车资源与能源的高效利用，同时为管理者和用户提供便捷的收费与支付方式。

[0003] 现有的基于充电桩的分布式路内泊车收费技术通过实时采集每个停车位上充电桩的使用状态和车辆的停车时长、充电需求等数据，并结合这些数据动态生成收费规则。在车辆进入停车位后，系统首先记录车辆的入库时间和是否开启充电服务；如果车辆开始充电，系统将根据充电功率、时长和电量消耗同时计入停车费用。当车辆离开停车位或结束充电时，系统自动计算停车费用，包括纯停车时间和充电时间产生的费用。这些费用根据不同时间段、充电桩使用情况和停车需求波动进行动态调整，以确保合理收费。用户通过手机APP、扫码支付或绑定账户自动扣费等方式完成支付，全过程实现了无感支付。同时，管理系统通过对历史停车和充电数据的分析，优化收费策略，以提高停车资源的使用效率并保障设施的可持续运营。

[0004] 现有技术存在以下不足：

[0005] 在停车和充电需求高峰时段，停车位和充电桩的使用频率急剧上升，用户对有限资源的需求导致资源紧张，现有的基于充电桩的分布式路内泊车收费技术缺乏对每个停车位资源使用状况的实时分析，无法准确评估和预测各个停车位的资源紧张程度。由于现有技术未能对停车位资源的供需情况进行分类，且收费标准无法根据实际紧张情况动态调整，部分用户长时间占用资源，未能支付与紧张程度相符的费用，导致资源利用效率低下，无法公平分配资源。同时，运营方无法灵活调整收费标准来优化资源利用，影响整体运营收益和用户体验。

[0006] 在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

[0056] 现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些示例实施方式使得本公开的描述将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

[0057] 本发明提供了如图1所示的基于充电桩的分布式路内泊车收费方法，具体包括以下步骤：

[0058] 确定停车和充电需求高峰时间段，并在该时间段内根据停车区域的管理目标和资源分配需求，建立针对所有停车位和充电桩资源的监控和收费管理框架；

[0059] 确定停车和充电需求的高峰时间段可以通过以下几种方式实现：首先，系统可以基于历史停车和充电数据进行分析，提取出每天、每周或每月内的停车和充电行为模式，并通过统计分析和时间序列分析算法，识别出高频使用的时间段。其次，结合实时的交通流量数据，系统可以监控区域内的车流情况，预测未来的停车需求高峰。还可以通过机器学习模型，基于历史数据和其他相关外部因素(如节假日、天气变化、特殊活动等)，动态预测高峰时段。此外，系统可以根据实际使用情况和用户反馈不断调整对高峰时段的定义，使预测结果更加准确。软件会自动持续更新这些数据，生成动态高峰时段预测。

[0060] 一旦确定高峰时间段，系统将在该时段内根据停车区域的管理目标和资源分配需求建立监控和收费管理框架。具体方式是，系统可以根据停车位和充电桩的实时使用状态，划定每个停车位和充电桩的监控区域，并通过安装的传感器网络和物联网设备，实时采集停车位和充电桩的使用数据。接着，系统会根据管理目标(如提高资源利用率、优化收费收益)以及资源分配策略(如高峰时段优先处理紧张资源)来自动生成收费规则和优先级控制策略。该框架将结合实时数据进行监控，动态调整停车位的资源调度和收费标准。所有这些流程都可以通过软件进行自动化管理，并且由后台系统实时更新和优化。

[0061] 采取这种方法的原因在于，它直接解决了停车和充电需求高峰期资源紧张的问题。通过精确预测和识别高峰时段，系统能够在资源紧张的时段内合理调度停车位和充电桩的使用，并通过动态收费策略来引导用户合理分配有限的资源，避免部分用户长时间占用资源但支付费用不合理的情况。与此同时，结合实时的监控和管理框架，系统能够在高峰时段自动优化资源分配和收费标准，确保资源得到最大化利用。这种方式不仅可以提高停车位和充电桩的使用效率，还能提升运营方的收益和用户体验，解决了资源无法公平分配和收费标准无法动态调整的问题。

[0062] 实时获取各个停车位的资源使用信息，并在获取后进行分析，分别生成各个停车位的资源占用系数和需求响应指数；

[0063] 本实施例中，实时获取各个停车位的资源使用信息，并在获取后进行分析，分别生成各个停车位的资源占用系数和需求响应指数，具体包括以下步骤：

[0064] 实时获取各个停车位的资源使用信息，并在获取后进行预处理；

[0065] 为了实现“实时获取各个停车位的资源使用信息”，可以通过以下几种方式进行数据采集。首先，在每个停车位安装物联网(IoT)传感器，这些传感器能够监测车辆是否占用停车位、停车时长、充电桩的使用情况等，并通过无线传输技术(如Wi‑Fi、5G或LoRa)实时上传数据。其次，还可以结合摄像头和图像识别技术，通过分析停车区域的视频流，实时判断停车位的占用情况。这些数据通过边缘计算设备进行初步处理后，实时上传至云端服务器，形成各停车位的资源占用状态信息和需求响应动态信息。为了保证数据采集的持续性和准确性，系统会定时采集每个停车位的状态信息，并采用冗余技术确保在网络中断或传感器故障的情况下，数据不会丢失或出现明显的时间延迟。

[0066] 预处理的目的是确保所获取的各个停车位的资源使用信息具备准确性、一致性和完整性，从而为后续的数据分析和参数生成提供可靠的数据基础。在数据预处理中，首先需要对采集的数据进行清洗，去除异常数据(如传感器错误、误读数据等)，并且对空缺的数据进行填补(可以使用历史数据、平均值或邻近停车位的数值进行填补)。其次，需要对数据进行归一化处理，因为不同传感器可能生成不同格式或量级的数据，归一化可以将数据转化为相同的量纲，方便后续分析。此外，还可以进行噪声过滤，使用例如卡尔曼滤波或均值滤波算法，去除传感器在采集过程中产生的高频噪声和误差。预处理步骤通过软件自动化进行，依托云计算和数据处理框架，以保证大规模停车位信息能够高效、无缝地进行数据预处理，并提供高质量的数据支持后续的分析和评估。

[0067] 提取经过预处理的各个停车位的资源使用信息中的资源占用状态信息和需求响应动态信息；

[0068] 为了提取经过预处理的各个停车位的资源占用状态信息和需求响应动态信息，可以通过软件实现自动化的数据解析与分类。首先，预处理后的数据会被存储在数据库中，软件系统通过定义的规则和标签对数据进行分类。具体方式是，通过数据标签识别不同类型的资源使用信息，例如停车时长、占用频率等信息会被标记为资源占用状态信息，而实时交通流量、当前停车需求等信息则会被识别为需求响应动态信息。软件会根据预设的逻辑过滤和分类，将每个停车位的相关数据字段提取出来。例如，系统可以通过数据查询和过滤功能(如SQL查询或NoSQL的筛选器)直接从数据库中筛选出与资源占用和需求响应相关的指标字段。然后，软件会对提取的数据进行分层次的标记和存储，确保后续的分析模块能够直接访问这两类信息，并进行建模和计算。整个提取过程通过自动化的数据处理框架实现，保证提取的效率和准确性。

[0069] 对提取的各个停车位的资源使用信息中的资源占用状态信息和需求响应动态信息进行分析，分别生成各个停车位的资源占用系数和需求响应指数。

[0070] 本实施例中，各个停车位的资源占用系数的获取逻辑如下：

[0071] 提取经过预处理的各个停车位的资源使用信息中的资源占用状态信息，具体包括各个停车位在一段时间内不同时刻的累积占用时长、使用频率、该时间段内各个停车位所在区域内其他停车位的平均使用率以及该区域内的停车需求密度，并将各个停车位在一段i i时间内不同时刻的累积占用时长和使用频率按照时间序列分别用函数TOC (t)和FUS(t)进i i
行表示，t为时间点，TOC (t)表示第i个停车位在一段时间内t时刻的累积占用时长，FUS(t)表示第i个停车位在一段时间内t时刻的使用频率，定义时间段为[t1，t2]，并将该时间段内各个停车位所在区域内其他停车位的平均使用率和该区域内的停车需求密度分别标定为i i i i
UAR 和DDC ，UAR 表示该时间段内第i个停车位所在区域内其他停车位的平均使用率，DDC表示该时间段内第i个停车位所在区域内的停车需求密度，i＝1、2、3、…、k，k为正整数；

[0072] 为了提取经过预处理的各个停车位的资源占用状态信息，具体包括累积占用时长、使用频率、区域内其他停车位的平均使用率以及停车需求密度，可以通过以下方式来实现。首先，停车位的累积占用时长和使用频率可通过安装在停车位上的物联网(IoT)传感器进行实时采集，这些传感器可以检测车辆进入和离开停车位的时间点。传感器通过记录停车位的占用和空闲状态，将每小时或每分钟的占用时长累积，并通过软件记录使用频率。这些数据通过无线网络(如Wi‑Fi、LoRa或5G)上传至云端数据库。在数据库中，系统会根据每个停车位的状态信息，自动计算累积占用时长和使用频率。

[0073] 区域内其他停车位的平均使用率可以通过同一系统内的所有停车位传感器数据来计算。系统首先收集同一区域内所有停车位的实时使用情况数据，接着对这些数据进行聚合和平均处理，生成每个停车位所在区域的平均使用率。具体的实现方式是通过数据库的查询和数据聚合功能，例如，使用SQL或其他数据库查询语言，将同一区域内停车位的状态信息按时间维度聚合，计算出每小时或每天的平均使用率。然后将该结果关联到特定停车位，以计算该停车位在区域中的相对占用情况。

[0074] 至于停车需求密度，可以通过结合交通流量数据和历史停车需求数据来计算。交通流量数据可以通过区域内交通监控设备(如摄像头或道路流量监测传感器)实时获取，软件系统将这些交通数据与停车位的实际使用数据相结合，评估该区域的停车需求变化趋势。历史数据可以通过对比过去一段时间内的停车位占用情况来预测当前的需求密度，使用时间序列分析算法预测未来的停车需求。这些分析结果通过软件自动化处理，将交通流量和停车位使用信息相结合，生成实时的停车需求密度。

[0075] 计算各个停车位的资源占用系数，具体的计算公式如下：

[0076]

[0077] 式中，ROCi为第i个停车位的资源占用系数。

[0078] 该公式用于计算每个停车位的资源占用系数，其目的在于通过多维度的综合因素，评估停车位的资源占用程度，从而为后续的动态收费策略提供依据。首先，公式中的积分部分 用来累积计算停车位在一段时间内的占用情况，其中i i
TOC (t)代表累积占用时长，FUS (t)代表使用频率，这两个量相乘后，通过积分汇总可以动态反映停车位在不同时段的资源使用强度。通过积分来捕捉时间段内的变化，可以避免单i
一时刻的瞬态数据误导分析结果，确保评估的是整体趋势。接着，分母部分UAR表示的是区域内其他停车位的平均使用率，通过引入这个参数，可以将某个停车位的占用情况与整个区域的平均使用情况进行对比，从而确定该停车位的相对紧张度。这种比较方式可以防止i
在停车位使用率普遍较低时，某个单独停车位的占用被过高估计。最后，[1+ln(1+DDC)]是i
对停车需求密度的对数修正，DDC代表该区域的停车需求密度。对数处理使得停车需求密度的影响不是线性增长，避免了在需求高峰期该指标对整体评价的过度影响。这样既考虑到实际需求对资源紧张度的影响，又避免了过度权重造成误判。综合来看，整个公式通过时间积分、区域平均使用率对比、需求密度修正等多重计算步骤，确保了资源占用系数的计算结果能够全面、准确地反映每个停车位的实际资源紧张程度。

[0079] 第i个停车位的资源占用系数ROCi大小与评估该停车位的资源紧张程度等级直接相关。资源占用系数越大，表示该停车位在某一时间段内被占用的时长越长、使用频率越高，同时其所在区域内其他停车位的平均使用率较低，且该区域的停车需求密度较高，这意味着该停车位的资源紧张程度更大。因此，通过比较各个停车位的资源占用系数，可以对其i资源紧张程度进行分类：当ROC 值较高时，停车位的资源紧张度被评估为高紧张等级，表示i
该停车位的使用需求大，供不应求；当ROC值处于中间范围时，评估为正常紧张等级，表示i
停车位的供需较为平衡；当ROC 值较低时，评估为低紧张等级，表示停车位资源相对宽松，使用压力较小。通过这种评估，可以为后续动态收费调整提供依据，以确保资源的合理分配。

[0080] 本实施例中，各个停车位的需求响应指数的获取逻辑如下：

[0081] 提取经过预处理的各个停车位的资源使用信息中的需求响应动态信息，具体包括各个停车位所在区域内在一段时间内不同时刻的交通流量、停车需求压力密度、该时间段内各个停车位的历史停车需求平均变化率以及各个停车位在一段时间内不同时刻的停车需求量，并将各个停车位所在区域内在一段时间内不同时刻的交通流量、停车需求压力密i度和各个停车位在一段时间内不同时刻的停车需求量按照时间序列分别用函数TRF (t)、i i i
DDP(t)和CPD (t)进行表示，t为时间点，TRF (t)表示第i个停车位所区域内在一段时间内ti
时刻的交通流量，DDP (t)表示第i个停车位所区域内在一段时间内t时刻的停车需求压力i
密度，CPD (t)表示第i个停车位在一段时间内t时刻的停车需求量，定义时间段为[t1，t2]，i i
并将该时间段内各个停车位的历史停车需求平均变化率标定为HCD，HCD 表示该时间段内第i个停车位的历史停车需求平均变化率，i＝1、2、3、…、k，k为正整数；

[0082] 为了提取经过预处理的各个停车位的需求响应动态信息，可以通过以下方式实现。首先，交通流量数据可以通过安装在道路上的交通流量传感器、摄像头以及智能交通系统实时采集。这些设备通过车辆检测技术，捕捉道路上的车流量，生成不同时刻的交通流量信息并通过无线网络实时上传至系统的数据库。停车需求压力密度则通过分析当前区域内所有停车位的占用情况来估算，系统会实时监控停车位的使用情况(如空置、占用状态)，并结合区域内停车位的供给与需求情况进行密度分析。该密度由区域内可用停车位数量与实际需求车辆数量的比值进行计算，需求车辆数量可以通过预约系统、历史数据预测以及实际占位数据来确定。

[0083] 历史停车需求平均变化率是基于历史停车数据的分析，通过对比当前时间段与过去相同时间段的停车需求，评估停车需求的波动趋势。系统会从数据库中提取历史停车使用数据(包括停车位的占用情况、空置情况等)，通过时间序列分析算法(如ARIMA模型)计算出历史停车需求的变化率。停车需求量则可以通过实时停车位的占用情况来获取，系统会根据每个停车位的状态(如空置或占用)在不同时间点进行统计，结合区域内停车需求总量来确定每个停车位的实际需求量。

[0084] 这些定量数据的提取通过软件自动化流程实现。首先，传感器和摄像头等设备通过边缘计算实时监测交通和停车位状态，并将采集到的数据传输至云端。接着，系统利用数据库查询语言(如SQL)从存储系统中提取历史停车数据、当前停车需求数据，并通过数据分析模块对数据进行预处理、清洗和分析，最后生成交通流量、停车需求压力密度、历史停车需求变化率和停车需求量的定量信息。这些数据将作为输入，供后续的需求响应指数计算和动态资源分配使用。

[0085] 计算各个停车位的需求响应指数，具体的计算公式如下：

[0086]

[0087] 式中，DRIi为第i个停车位的需求响应指数。

[0088] 该公式通过综合交通流量、停车需求量、历史需求变化率以及停车需求压力密度，i详细计算每个停车位的需求响应指数DRI。首先，积分中分子部分 用
i i i
来在一段时间内动态评估交通流量TRF(t)和停车需求量CPD(t)的变化。交通流量TRF (t)i
表示区域内某一时间点的车辆流量，而停车需求量CPD (t)的平方根反映了该时间段内的实际需求强度，平方根的处理方式使得高需求时不会过度放大对需求响应的影响，同时弱需求时仍能较为平滑地体现需求的影响。通过积分，公式能够捕捉不同时间点的需求波动，生成一个综合的需求响应评估。

[0089] 在分母部分，历史停车需求变化率HCDi用于表示过去一段时间内需求的平均变化趋势，作为参考点，帮助评估当前需求是否与历史需求波动相符。而指数衰减项i i则根据停车需求压力密度DDP (t)对需求响应进行修正，DDP (t)反映了当前区域的停车紧张情况。通过指数衰减，公式能够平滑处理过高或过低的需求压力，避免需求压力过大时影响整体评估，同时确保低需求压力时的响应不会被过度低估。这样计算不仅考虑了即时需求和历史数据，还结合了区域的供需压力进行修正，确保指数能够真实反映当前停车位的需求响应程度，为后续的动态资源管理提供支持。

[0090] 第i个停车位的需求响应指数DRIi的大小与评估该停车位的资源紧张程度等级密切相关。需求响应指数越大，表示该停车位在一段时间内的交通流量较高，停车需求量较大，且历史需求变化率显示当前需求显著高于过去，表明该停车位在满足需求时面临较大的压力。同时，区域内的停车需求压力密度较高，反映出该停车位的使用需求远超可用资源，因此需求响应指数较高的停车位一般被评估为高紧张等级。而当需求响应指数较小，意味着该停车位的交通流量较低，停车需求量较小，并且历史需求变化率较为平稳，停车需求压力密度较低，表明该停车位处于相对宽松的资源环境，需求压力较低，紧张程度相应较小。因此，通过需求响应指数的大小可以准确评估停车位的资源紧张程度，为不同停车位分配不同的管理和收费策略提供依据。

[0091] 对生成的各个停车位的资源占用系数和需求响应指数构建收费评估模型，生成各个停车位的动态收费评估系数，并在生成后进行分析，评估各个停车位的资源紧张程度等级，并根据评估结果将各个停车位分别划分为高紧张停车位、正常紧张停车位和低紧张停车位；

[0092] 本实施例中，对生成的各个停车位的资源占用系数和需求响应指数构建收费评估模型，生成各个停车位的动态收费评估系数，具体包括以下步骤：

[0093] 收集在过去一段时间内生成的若干个各个停车位的资源占用系数、需求响应指数以及动态收费评估系数，并分别标定为 和 x表示在过去一段时间内生成的若干个各个停车位的资源占用系数、需求响应指数以及动态收费评估系数的编号，x＝3、4、5、…、d，d为正整数，并将收集的过去一段时间内的数据形成历史数据集；

[0094] 为了收集在过去一段时间内生成的各个停车位的资源占用系数、需求响应指数以及动态收费评估系数，可以通过以下方式实现。首先，系统会在实时计算资源占用系数、需求响应指数和动态收费评估系数时，将这些数据存储在后台数据库中。软件系统通过自动化的数据库管理系统(如SQL或NoSQL数据库)，按照时间戳对每个停车位的相关系数进行定期保存。每当系统更新一个停车位的资源占用系数、需求响应指数和动态收费评估系数时，这些值会被自动打上时间戳，并存储在一个历史记录表中。系统还可以按照预设的时间周期(如每小时、每天或每周)批量收集并更新这些历史数据。为了保证数据完整性和准确性，系统可以通过数据检查和冗余机制，防止数据丢失或存储错误。此外，软件还可以对历史数据进行标记分类，使得每个停车位的历史数据能够方便地按照时间段进行查询和分析，支持后续的模型优化和回归分析。

[0095] x的取值为大于等于3的正整数，这是因为目标方程中涉及三个变量：资源占用系数、需求响应指数和动态收费评估系数，而为了计算出这三个变量的回归系数β0、β1和β2，至少需要三组独立的方程才能唯一确定这三个回归系数的值。因此，x必须大于等于3，确保有足够的方程组来进行回归分析。如果数据不足(即x小于3)，则无法求出所有回归系数，模型的求解将变得不确定。因此，为了保证回归模型的稳定性和准确性，x的最小值为3，意味着至少需要三组数据来生成一个有效的多元回归模型。

[0096] 选择多元回归模型作为收费评估模型，并通过历史数据集进行训练，确定回归系数的取值，依据公式：

[0097]

[0098] 式中，β0、β1和β2为回归系数；

[0099] 选择多元回归模型作为收费评估模型的原因在于，动态收费评估系数 受到多个变量的影响，包括资源占用系数 和需求响应指数 通过多元回归模型，能够同时分析这两个独立变量对 的影响，并通过历史数据训练模型，找到这两个变量与目标变量 之间的最佳线性关系。回归系数β0、β1和β2分别表示截距项、资源占用系数的权重、需求响应指数的权重。具体而言，β1表示资源占用对动态收费的影响强度，β2则表示需求响应指数对动态收费的影响程度，β0作为偏移量，表示在两者影响为零的情况下基础的收费评估系数。通过最小化预测值与实际值之间的误差，优化这三个回归系数，能够准确估算各停车位的动态收费评估系数，使得该模型能够在不同情境下动态调整停车费用，达到资源的合理分配与最优收费策略的目的。

[0100] 通过最小化预测值与实际值之间的误差，优化回归系数，最终确定回归系数β0、β1和β2的取值；

[0101] 通过最小化预测值与实际值之间的误差来优化回归系数的目的是确保模型在历史数据的基础上能尽可能准确地预测未来的收费评估系数 最小化误差能够提高模型的拟合度，使得通过资源占用系数 和需求响应指数 预测的动态收费评估系数 更加接近真实情况。具体实现方式是通过最小二乘法(OLS)，即选择一组回归系数β0、β1和β2，使得所有数据点上模型预测的 值与历史实际 值之间的平方误差之和最小。模型通过不断调整回归系数，找到能将整体误差降到最低的一组最优系数。最终确定的回归系数不仅可以解释 和 对 的贡献大小，还可以用来在实时环境下生成精确的收费评估，从而实现资源的合理调配和动态收费的优化。

[0102] 使用最终确定的回归系数，对构建的收费评估模型，输入实时生成的各个停车位的资源占用系数 和需求响应指数 实时生成各个停车位的动态收费评估系数i
DPEC。

[0103] 本实施例中，将生成的各个停车位的动态收费评估系数DPECi与预先设定的动态min max收费评估系数阈值区间[DPEC ，DPEC ]进行比对，根据比对结果评估各个停车位的资源紧张程度等级，并根据评估结果将各个停车位分别划分为高紧张停车位、正常紧张停车位和低紧张停车位，具体比对分析和划分如下：

[0104] 若DPECi

[0105] 该情况意味着该停车位的资源紧张程度较低。在这种情况下，停车位的占用情况和需求响应指数显示该停车位在该区域的使用频率不高，车辆需求较少，供给相对充足。因此，这类停车位通常处于空闲状态或长期未被高频使用。对这类低紧张停车位，可以考虑采取降价或优惠的策略，以吸引更多车辆停放，提高该停车位的使用率。同时，这种调整也有助于减轻其他高紧张区域的压力，优化整体资源配置。

[0106] 若DPECmin≤DPECi≤DPECmax，该停车位的资源紧张程度等级为中等级，则将该停车位划分为正常紧张停车位；

[0107] 该情况表示该停车位的资源紧张程度处于正常或中等紧张状态。这意味着该停车位的供需较为平衡，停车需求较为稳定，既没有明显的过度紧张，也没有长时间的空闲。这类停车位通常维持现有的收费标准即可，不需要进行特别的调整。通过这种中等紧张状态的划分，系统能够确保资源分配合理，不会因为过度涨价或过度优惠导致停车位的使用不均衡。

[0108] 若DPECi>DPECmax，该停车位的资源紧张程度等级为高等级，则将该停车位划分为高紧张停车位。

[0109] 该情况表示该停车位的资源紧张程度较高，表明该停车位的占用频率和需求响应指数都显示该区域的停车位需求远远超过供给，停车位供不应求。在这种情况下，停车位可能处于长期满员的状态，停车需求强烈。为应对这种高紧张情况，系统应当采取动态涨价的策略，通过价格杠杆调节停车需求，引导部分车辆选择其他空闲或低紧张的停车位，从而有效缓解该区域的资源紧张度，优化停车资源的整体利用率。

[0110] 为了确定预先设定的动态收费评估系数阈值区间(即DPECmin和DPECmax)，可以通过多种数据分析方式结合软件系统自动计算。首先，系统可以基于历史停车数据进行统计分析，提取停车位在不同时间段、不同使用状态下的资源占用系数和需求响应指数，生成大量历史的动态收费评估系数数据集。然后，系统可以使用这些历史DPEC数据集，利用统计学中min的百分位数或标准差方法确定阈值。例如，可以选择将历史DPEC数据的下10％作为DPEC ，max
上10％作DPEC ，或者根据实际需求设定不同的分位数标准。此外，还可以通过聚类算法(如K均值聚类)对DPEC数据进行聚类分析，将数据自然分为多个紧张等级区间。系统将根据这些分析结果，自动生成动态收费评估系数的阈值区间，并定期更新这些阈值，以确保模型能够随时反映当前停车资源的供需状况，实现动态调整收费策略的目的。

[0111] 基于对各个停车位的划分结果，对不同资源紧张程度等级的停车位采取对应的收费策略；

[0112] 本实施例中，基于对各个停车位的划分结果，对不同资源紧张程度等级的停车位采取对应的收费策略，具体为：

[0113] 对于资源紧张程度等级为低等级的低紧张停车位，采取的收费策略为降低停车收费标准以及提供停车优惠，以吸引更多车辆使用该停车位；

[0114] 为实现对低紧张停车位的收费策略，系统可以通过实时监控停车位的资源占用系数和需求响应指数，自动识别资源紧张程度较低的停车位。系统软件根据实时评估结果，判断停车位是否属于低紧张等级，并触发相应的策略。具体实现方式是，通过数据库中的停车位状态信息，动态调整该停车位的基础收费标准。例如，软件会将该停车位的当前费率降低一定百分比，并在用户的停车应用程序中同步更新显示，同时可以生成优惠券或折扣码，吸引更多用户选择该停车位。这种策略的目的是通过降低价格来提升低紧张停车位的使用率，避免停车资源的闲置浪费，平衡区域内停车资源的分配。

[0115] 对于资源紧张程度等级为中等级的正常紧张停车位，采取的收费策略为保持现有收费标准，不进行额外调整，维持当前供需平衡；

[0116] 对于资源紧张程度为正常的停车位，系统软件需要持续监控该停车位的资源占用情况和需求响应状态。如果系统评估出停车位属于正常紧张等级，即供需基本平衡，则无需对现有收费标准进行调整。软件会对停车位的收费参数保持不变，确保收费标准与当前供需相匹配。具体实现方式是，系统通过自动化的收费管理模块将正常紧张停车位标记为无需调整，并通过逻辑判断避免对该类停车位实施动态涨价或降价操作。这种策略的合理性在于，它确保了停车资源的稳定分配，不会因过度调整导致供需不平衡，从而维持区域内停车位的正常运营。

[0117] 对于资源紧张程度等级为高等级的高紧张停车位，采取的收费策略为提高停车收费标准，通过价格杠杆调节停车需求，优先确保高需求时段的停车位周转率。

[0118] 对于高紧张停车位的收费策略，系统会基于实时监测的数据，识别出停车位的资源紧张程度超过了设定的阈值，从而判断该停车位属于高紧张等级。为了缓解资源紧张，系统软件会自动提升该停车位的收费标准。具体实现方式是，软件根据该停车位的动态收费评估系数(DPEC)，按照预设的规则自动增加费率，系统会将更新后的费率通过停车应用程序或计费系统通知用户。同时，系统可以通过动态定价算法，将价格调整至供需曲线的最佳点，以最大化停车位的周转率和收益。这种策略通过价格杠杆引导用户选择其他区域的停车位，从而缓解高紧张区域的资源压力，优化整体停车资源的利用。

[0119] 持续监控各个停车位的资源使用情况及收费策略执行效果，动态调整各个停车位的收费标准，定期更新收费评估模型，优化停车资源的配置策略。

[0120] 为了实现对各个停车位资源使用情况的持续监控，系统可以通过物联网(IoT)传感器和摄像头实时采集停车位的状态数据。这些传感器安装在每个停车位上，能够实时监测车辆的进出、占用时间和充电桩的使用情况等信息。这些数据通过无线网络(如5G、LoRa或Wi‑Fi)传输到后台系统，系统会将这些数据存储在数据库中，定期进行分析。具体实现方式是，系统中的数据处理模块将这些实时数据与停车位的资源占用系数和需求响应指数相结合，形成一个实时的资源使用情况监控图表。软件通过自动化监控系统持续跟踪这些数据，并设定告警阈值，当某个停车位的使用情况发生异常(如长时间空闲或过度占用)时，系统会触发告警或调整策略。持续监控能够确保系统能够快速响应停车资源使用的变化，避免资源浪费或供给不足的情况发生。

[0121] 为了监控收费策略的执行效果，系统需要通过实时数据收集和历史数据分析，评估当前收费策略是否能够合理反映停车位的供需情况。具体实现方式是，系统软件会在执行收费调整后，通过对比调整前后的停车位使用率、周转率和收入变化情况，判断收费策略的效果。比如，系统会在停车费率调整后的一段时间内，自动追踪该停车位的使用频率和需求响应指数的变化，并将这些变化与目标模型进行比对。如果发现收费调整后停车位的使用率没有显著提升或供需仍未达到平衡，系统会进一步优化收费策略。通过动态监控收费策略执行效果，系统能够及时做出反应，确保收费标准能够精准反映停车资源的紧张程度，实现停车位的高效利用。

[0122] 系统可以通过动态定价算法来实现各个停车位的收费标准调整。具体实现方式是，系统基于各停车位的资源占用系数(ROC)和需求响应指数(DRI)，每隔一定时间自动计算停车位的动态收费评估系数(DPEC)。软件通过设定的价格调整规则，将价格调整至合适水平，例如当停车位处于高紧张状态时，系统会自动提升费率，反之则降低费率。收费调整的频率可以根据实时数据的变化设定为每小时、每天或其他合适的时间周期。动态调整的目的是为了通过价格杠杆调节停车位的供需平衡，避免资源紧张时过度拥堵，也避免资源闲置时浪费，确保系统的整体资源分配能够随时适应停车需求的波动。

[0123] 定期更新收费评估模型可以通过历史数据的定期回顾和模型训练来实现。系统会定期从数据库中提取停车位的历史使用数据，包括资源占用情况、需求响应情况以及动态收费评估系数(DPEC)的变化趋势。软件利用这些数据，通过机器学习算法(如多元回归分析或聚类分析)重新训练收费评估模型，以确保模型能够反映最新的停车行为和需求变化。更新后的模型会根据新的数据趋势优化各个停车位的ROC和DRI计算权重，调整收费标准的定价策略。定期更新收费评估模型的意义在于保证系统能够持续适应不断变化的停车需求，确保价格调整的准确性和收费策略的有效性。

[0124] 优化停车资源的配置策略可以通过系统自动生成的资源分配和调度计划来实现。系统通过对各个停车位的资源紧张度进行长期监控和分析，识别出资源利用率较低的区域和高紧张区域，并结合历史数据和预测模型，调整停车资源的配置。例如，在低利用率区域，可以减少停车位数量或提供优惠以提高使用率；在高紧张区域，则可以增加停车位或提升价格以调控需求。系统根据需求变化的预测，通过智能调度算法自动调整各区域的停车资源配置计划，确保在不同时间段和区域内停车资源的合理分配，从而最大化停车位的使用效率，提升整体收益。

[0125] 如图2所示的基于充电桩的分布式路内泊车收费系统，包括高峰需求识别与管理框架建立模块、资源使用信息采集与分析模块、动态收费评估构建与资源紧张分析模块、收费策略智能调整模块以及资源使用监控与评估优化模块；

[0126] 高峰需求识别与管理框架建立模块，确定停车和充电需求高峰时间段，并在该时间段内根据停车区域的管理目标和资源分配需求，建立针对所有停车位和充电桩资源的监控和收费管理框架；

[0127] 资源使用信息采集与分析模块，实时获取各个停车位的资源使用信息，并在获取后进行分析，分别生成各个停车位的资源占用系数和需求响应指数；

[0128] 动态收费评估构建与资源紧张分析模块，对生成的各个停车位的资源占用系数和需求响应指数构建收费评估模型，生成各个停车位的动态收费评估系数，并在生成后进行分析，评估各个停车位的资源紧张程度等级，并根据评估结果将各个停车位分别划分为高紧张停车位、正常紧张停车位和低紧张停车位；

[0129] 收费策略智能调整模块，基于对各个停车位的划分结果，对不同资源紧张程度等级的停车位采取对应的收费策略；

[0130] 资源使用监控与评估优化模块，持续监控各个停车位的资源使用情况及收费策略执行效果，动态调整各个停车位的收费标准，定期更新收费评估模型，优化停车资源的配置策略。

[0131] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

[0132] 上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)，或者半导体介质。半导体介质可以是固态硬盘。

[0133] 应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

[0134] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对各个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

[0135] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其他的方式实现。例如，以上所描述的实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

[0136] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0137] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

[0138] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。