车载光伏（VIPV）技术作为一种提高电动汽车（EV）可持续性和减少交通排放的有前景的解决方案而出现（Chen等人，2022年；Ma等人，2025年；Rossetti等人，2022年）。轻量化、高效薄膜光伏组件的发展使其能够应用于车辆表面（Jalkh等人，2024年；Ku等人，2024年；Mekapati和Choudhury，2025年），包括汽车（Ku等人，2024年；Pochont等人，2023年）、公交车（Chen等人，2022年；ur Rehman等人，2020年；Yang和Gong，2025年）、货运车辆（Rossetti等人，2022年）以及铁路车厢（Kim等人，2022年）。通过在行驶或停车时利用太阳能，VIPV系统可以延长行驶里程（Müller，2025年），减少对电网的依赖（Yang等人，2026年；Yu等人，2025年），并降低生命周期排放（Liu等人，2024a年；Ma等人，2025年）。VIPV在多种场景中得到了广泛应用，例如在乘用车中辅助增加里程、在公交车和铁路车辆中提供辅助动力，以及在冷链车辆中满足65%–112%的冷却需求（Kim等人，2022年；Rossetti等人，2022年）。实际应用已经证明了其显著的好处，例如为辅助负载（如空调）供电（Chen等人，2022年）和部分充电牵引电池（Kim等人，2022年），从而缓解了续航焦虑和运营成本。
车辆的光伏发电量不仅取决于宏观尺度的气候条件（Gallagher和Clarke，2023年；Lin等人，2024年；Ma等人，2025年；Mekapati和Choudhury，2025年；Sagaria等人，2022年），还取决于随车辆移动而变化的微观尺度的环境和操作因素。街道级别的环境（Hong和Choi，2025年；Ku等人，2024年；ur Rehman等人，2020年；Yang和Gong，2025年），如遮挡、道路坡度和朝向，以及车辆动态（包括速度变化和停车/行驶模式），都会导致辐照度的显著波动。环境与车辆之间的动态互动产生了光伏发电量的显著时空异质性，这意味着即使行驶相同路线的车辆也可能获得截然不同的发电量。
传统的辐照度估算方法（Chen等人，2022年；Chu等人，2024年）不足以捕捉这些动态变化。观测测量（Deng等人，2021年；Li和Ratti，2019年），如车载日射强度计（Ota等人，2019年）和气象站数据（Chen等人，2022年；Kutter等人，2021年）、卫星衍生的辐射产品（Chu等人，2024年；Li和Ratti，2019年）以及基于GIS的太阳模型（Adefila等人，2025年）主要在简化的环境假设下表示宏观尺度的太阳可用性。虽然这些方法适用于固定光伏系统，但它们无法从车辆的角度捕捉街道的详细形态，并通常忽略车辆动态（Kim和Baek，2025a）。因此，它们无法描述移动车辆的轨迹依赖性和变化的太阳暴露情况。最近，基于LiDAR的方法实现了城市形态的详细3D重建，用于遮挡分析（Wu等人，2025年）。然而，LiDAR数据成本高昂、更新频率低且在城市尺度上计算密集（Yang等人，2026年）。此外，机载或地面LiDAR捕捉的是静态几何结构，而不是车辆级别的遮挡动态。
大数据和人工智能的最新进展使得低成本、高分辨率、大规模的车辆光伏发电量评估成为可能。特别是街景图像（SVI）（例如百度、谷歌）提供了关于道路沿线建筑物、植被和天空可见度的详细信息（Li和Ratti，2019年）。通过捕捉细粒度的街道形态（Li和Ratti，2019年；Yang和Gong，2025年），SVI允许在人车尺度上精确量化局部太阳遮挡，从而有助于准确估算地面太阳辐射（Gong等人，2019年）。与之前的方法（如LiDAR（Li等人，2026年；Wu等人，2025年）相比，SVI提供了大规模、易于获取的覆盖范围和低成本的计算机视觉工作流程，用于描述局部遮挡。同时，车辆轨迹数据捕捉了实时驾驶状态，如速度变化和停车/行驶行为（Zhang等人，2024年），这对于模拟实际行驶路径上的曝光变化至关重要（Thiel等人，2022年）。将SVI与GPS轨迹结合使用，可以模拟动态的车辆与环境互动，提高光伏发电量估算的准确性，并解决传统辐照度估算方法的粗粒度限制。
尽管取得了这些进展，但仍存在几个研究空白。（1）很少有研究考虑了复杂街道环境与车辆驾驶动态之间的动态互动对光伏发电量估算的影响。估算车辆光伏发电量依赖于建模车辆运动与周围街道环境之间的动态互动。然而，大多数现有研究将这两个维度分开处理，要么通过假设平均速度来忽略车辆动态（Chen等人，2022年；Ku等人，2024年；Yang和Gong，2025年），要么简化街道环境建模（Lu等人，2023年；Reitberger等人，2025年）。这种脱节阻碍了准确描述动态车辆与环境互动，导致光伏发电量的低估或高估。主要挑战在于将这些数据源整合到一个统一的框架中，以准确表示车辆光伏发电量的动态。
(2) 对于城市规模上大规模运营车队的光伏发电量评估的研究有限。现有研究主要集中在技术可行性或原型演示上，并依赖于少量车辆样本或固定路线和时间表（例如公交车和火车），这限制了其对复杂城市交通系统的普遍适用性。此外，关于VIPV集成在多样化路线、车辆和操作条件下的能源-经济-环境效益的评估仍然很少（Baek和Kim，2025年；Centeno Brito等人，2021年；Yang和Gong，2025年）。开发使用真实世界车辆轨迹的可扩展方法对于超越局部实验并量化光伏集成的系统级影响至关重要。
(3) 对影响车辆光伏发电量的非线性机制和阈值效应关注不足。虽然大多数研究报告了总体光伏发电量或节能效果（Centeno Brito等人，2021年；Rossetti等人，2022年），但它们很少区分基于时间的发电量（单位时间内的发电量）和基于距离的发电量（单位距离内的发电量）。此外，这些发电量的环境和操作决定因素（如遮挡强度、坡度和驾驶行为）仍然了解不足。没有系统地理解发电量的异质性及其驱动因素，就难以优化VIPV的部署或针对特定的城市环境和车辆操作模式制定策略。
为了解决这些空白，我们提出了一个使用多源数据估算车辆太阳能发电量的新框架，包括百度街景（BSV）图像和车辆GPS轨迹。在这个框架中，一个时空路径（STP）模型整合了街道环境信息和车辆驾驶动态，以估算单个车辆的实时光伏发电量；基于VIPV的生命周期评估评估了车辆光伏发电量的经济-环境效益；随机森林（RF）和Shapley加性解释（SHAP）模型揭示了影响车辆光伏发电量的关键决定因素和非线性机制。我们旨在回答以下问题：（1）如何使用时空路径模型整合道路相关信息和车辆驾驶动态来估算单个车辆的实时太阳能光伏发电量？（2）城市规模上车辆光伏发电量的时空分布是什么？光伏发电量的能源-经济-环境效益是什么？（3）影响光伏发电量的关键决定因素和非线性机制是什么？我们在中国上海进行了一个案例研究，使用了5000辆物流卡车7天的GPS轨迹数据来回答上述问题。这一发现为城市规模的能源可持续性和高效交通系统提供了见解。
本文的其余部分结构如下。第2节回顾了文献。第3节介绍了研究区域、数据和方法论。第4节展示了实证结果。第5节和第6节分别讨论了发现并总结了本文。
