La cuota de mercado de los vehículos eléctricos (EVs) está creciendo rápidamente. Sin embargo, dada la gran demanda de estacionamiento y carga de vehículos eléctricos, las instalaciones de apoyo generalmente tienen problemas como cantidad insuficiente, baja eficiencia de utilización y desajuste entre la oferta y la demanda. En este estudio, basado en los datos reales de operación de EV, proponemos un método de predicción de la demanda de carga de viaje del conductor y un método de optimización borroso biobjetivo para la ubicación y tamaño de planificación de estacionamientos de carga (CPLs) basado en las instalaciones de estacionamiento existentes, con el objetivo de reducir el tiempo de espera de carga de los usuarios de EV asegurando la máxima ganancia de los operadores de CPL. Primero, se utiliza el método de Monte Carlo para construir una cadena de comportamiento de carga de viaje del conductor y un modelo de transferencia de actividad espaciotemporal del usuario. Luego, se propone un método de toma de decisiones de carga de usuario basado en inferencia lógica borrosa, que utiliza el grado de membresía borroso de los factores influyentes para calcular la probabilidad de carga de los usuarios en cada nodo de la carretera. Luego se simula el comportamiento de carga y viaje de usuarios a gran escala para predecir la distribución espaciotemporal de la demanda de carga. Finalmente, tomando la distribución de demanda de carga predicha como entrada y el número de CPLs y espacios de estacionamiento de carga como restricciones, se construye un modelo de optimización biobjetivo para la ubicación y tamaño simultáneos de planificación de CPLs, y se resuelve utilizando el algoritmo genético borroso. Los resultados de un estudio de caso indican que el esquema de planificación generado a partir de los métodos propuestos no solo reduce el tiempo de viaje y de espera de los usuarios de EV para la carga la mayor parte del tiempo, sino que también controla el límite superior del número de pilas de carga para ahorrar costos de construcción y aumentar la ganancia total. Los resultados de la investigación pueden proporcionar apoyo teórico y referencia para la toma de decisiones en la planificación de instalaciones de carga de vehículos eléctricos y la gestión inteligente de estacionamientos de carga.