當下，隨(sui)著物流供應鏈(lian)(lian)的不斷發(fa)展，冷(leng)(leng)鏈(lian)(lian)物流正變得越來(lai)越重要。通過數字(zi)化、平(ping)(ping)臺(tai)化和生(sheng)態化的智慧冷(leng)(leng)鏈(lian)(lian)監管平(ping)(ping)臺(tai)，企業(ye)可以更(geng)好地(di)掌握(wo)運(yun)(yun)輸車(che)輛的位(wei)置，及時發(fa)現(xian)(xian)并處(chu)理(li)異常事(shi)件(jian)，有(you)效提(ti)升(sheng)客戶滿意度和信任度，同時也有(you)助于降(jiang)低(di)冷(leng)(leng)鏈(lian)(lian)運(yun)(yun)輸成本，提(ti)高企業(ye)市場競爭力(li)。在這(zhe)一背景下，某冷(leng)(leng)鏈(lian)(lian)項目利用追溯技術和監控(kong)預警功能，可以實現(xian)(xian)對冷(leng)(leng)鏈(lian)(lian)運(yun)(yun)輸各個環節的高效監管，提(ti)高運(yun)(yun)輸安全性和產品質(zhi)量(liang)，為冷(leng)(leng)鏈(lian)(lian)運(yun)(yun)輸行業(ye)帶來(lai)極大的賦能作用。

異常事件預警

在(zai)具(ju)體(ti)業務(wu)中，軌跡數(shu)據(ju)的(de)傳輸形式(shi)主(zhu)要有兩種，正常情況下設備(bei)會(hui)(hui)(hui)實時(shi)向服務(wu)端推(tui)送(song)數(shu)據(ju)，但當設備(bei)無信號時(shi)就(jiu)會(hui)(hui)(hui)出現離(li)線數(shu)據(ju)，車輛(liang)聯網(wang)后會(hui)(hui)(hui)將離(li)線數(shu)據(ju)再次進(jin)行推(tui)送(song)。利用這(zhe)些推(tui)送(song)數(shu)據(ju)，我們需要計算運輸車輛(liang)超時(shi)停車預警。

這一需求實現的難點在于(yu)實時(shi)數據(ju)計算(suan)停(ting)車停(ting)留時(shi)間(jian)后，離線數據(ju)上傳，離線數據(ju)可能存在實時(shi)數據(ju)的中(zhong)間(jian)，所以(yi)停(ting)留時(shi)間(jian)需要重新計算(suan)，數據(ju)量大，計算(suan)量大，復雜度也高，準確性低(di)。

我們的解決方案是：

• 對于實時數據，可以直接計算每個軌跡點的停留時間，并根據預設的超時閾值進行判斷，是否需要發出超時停車預警。同時使用 Redis 內存數據庫或者是使用分布式緩存系統進行緩存優化，將計算結果進行緩存，避免重復計算；
• 對于離線數據，可以在車輛重新聯網后，將離線數據與實時數據進行合并，并根據時間戳進行排序，從而保證數據順序的正確性。然后根據新的軌跡點數據重新計算超時停車預警，避免離線數據對預警結果造成影響。

在(zai)(zai)原(yuan)有方(fang)案中，我(wo)們通(tong)過對已接收的(de)數據進行實時計算(suan)，以此確定每個(ge)軌(gui)跡(ji)點(dian)(dian)是離線還(huan)是在(zai)(zai)線狀態。但這一方(fang)案存在(zai)(zai)兩點(dian)(dian)缺陷：

• 由于計算數據量較大，導致接收數據存在延時問題
• 因有離線數據，需要考慮離線數據與實時數據結合，可能有超時停車的情況出現，導致計算量復雜程度倍增

后面經過數據庫選型，我們選擇了時序數據庫（Time Series Database） TDengine 存儲車(che)(che)輛軌跡數據(ju)，它能夠很好地實時分(fen)析并記錄車(che)(che)輛的位置、速(su)度和行駛方向等信息，為(wei) B 端客(ke)戶提供實時車(che)(che)輛運輸(shu)位置跟蹤。

TDengine 流式計算

時(shi)序(xu)(xu)數(shu)(shu)據(ju)通(tong)常(chang)都(dou)是實時(shi)產生的(de)(de)(de)(de)(de)，需要實時(shi)存儲(chu)和(he)(he)(he)分析，TDengine 作為一款面向時(shi)序(xu)(xu)數(shu)(shu)據(ju)的(de)(de)(de)(de)(de)高(gao)(gao)性(xing)能數(shu)(shu)據(ju)庫，對時(shi)序(xu)(xu)數(shu)(shu)據(ju)的(de)(de)(de)(de)(de)處理(li)正是它(ta)的(de)(de)(de)(de)(de)強項。相比于(yu)傳統的(de)(de)(de)(de)(de)關系型數(shu)(shu)據(ju)庫，TDengine 采用了列式(shi)存儲(chu)和(he)(he)(he)壓縮算法(fa)等技(ji)術來提高(gao)(gao)數(shu)(shu)據(ju)存儲(chu)和(he)(he)(he)查詢的(de)(de)(de)(de)(de)效率，從而可以更(geng)好(hao)地滿足(zu)高(gao)(gao)頻率、高(gao)(gao)容(rong)量、高(gao)(gao)并發的(de)(de)(de)(de)(de)數(shu)(shu)據(ju)處理(li)需求。在(zai)了解(jie) TDengine 的(de)(de)(de)(de)(de)過程中，我發現它(ta)除了高(gao)(gao)性(xing)能的(de)(de)(de)(de)(de)時(shi)序(xu)(xu)數(shu)(shu)據(ju)庫功能外，還支持(chi)了流式(shi)計算和(he)(he)(he)數(shu)(shu)據(ju)訂閱(yue)等功能。

使用 TDengine 的流式計算功能進行數據處理和分析時，用戶可以按照當前流入的數據進行實時計算，而且當離線數據到達后，也可以重新計算，從而滿足統計超時停車數據的需求。具體到我們的業務來說，可以通過在 TDengine 中建立超時停車數據模型，定義超時停車的規則和閾值，并將實時收集的軌跡數據與之進行對比，從而實現實時預警和統計。

使用如下代碼創建存儲車(che)輛軌跡信(xin)息表：

為了滿(man)足(zu)統計車(che)輛超時停車(che)業(ye)務展示的相關需(xu)求，我們(men)可以(yi)從(cong)軌跡開始(shi)時間(jian)、軌跡結(jie)束時間(jian)、時長、最新位置、運行(xing)狀(zhuang)態和(he)軌跡點(dian)數(shu)等方(fang)面(mian)對數(shu)據進行(xing)統計和(he)展示：

• 軌跡開始時間：記錄車輛行駛軌跡開始的時間，精確到秒級別。這個時間可以用于計算車輛是否存在超時停車的情況。
• 軌跡結束時間：記錄車輛行駛軌跡結束的時間，同樣精確到秒級別，用于計算車輛行駛時長。
• 時長：通過軌跡開始時間和結束時間的計算，可以得到車輛行駛軌跡的時長，以秒為單位，對于B端客戶非常有用。
• 最新位置：記錄車輛最新的位置，可以實現實時跟蹤車輛位置和行駛狀態。這個信息可以在地圖上進行展示，幫助客戶更好地了解車輛的行駛情況。
• 運行狀態：根據流式計算技術實時處理的結果，可以確定車輛的運行狀態，例如停車或行駛等。這個信息也可以以圖標或顏色等方式在地圖上進行展示，方便客戶快速了解車輛的運行情況。
• 軌跡點數：通過統計軌跡經過的點數，可以判斷車輛的行駛軌跡是否正常。如果軌跡點數明顯增多，則可能是因為車輛發生了異常情況，例如線路擁堵等。

實時數據分析

創建流：

插入數據（實時）：

插入實時數據，觀察流式計算結果select * from overtime_parking_output_stb;，如下：

通過(guo)應用(yong) TDengine 流式計(ji)算功能(neng)，我們可以(yi)將行(xing)駛和超時停車的(de)數據分(fen)別存儲，并(bing)記錄對(dui)應軌跡(ji)和時長，方便查找和分(fen)析正常行(xing)駛和超時停車的(de)情況。

在車輛行駛(shi)過(guo)程中，TDengine 流式(shi)計算引(yin)擎(qing)能夠(gou)實(shi)時判斷車輛的運行狀態，區分出行駛(shi)和停車的狀態，并將這些數(shu)據(ju)(ju)實(shi)時處(chu)理并存(cun)(cun)儲到不同的數(shu)據(ju)(ju)庫(ku)表或者數(shu)據(ju)(ju)流中。在數(shu)據(ju)(ju)存(cun)(cun)儲的過(guo)程中，也(ye)會記錄對應軌跡和時長等信息，為后續的數(shu)據(ju)(ju)分析(xi)提供依據(ju)(ju)。

對(dui)于超時停車(che)(che)的情(qing)況，通過 TDengine 流式計算可(ke)以實時監控車(che)(che)輛的運(yun)(yun)行(xing)狀態(tai)和(he)位置信息(xi)，如果發現車(che)(che)輛停留(liu)時間過長，就(jiu)可(ke)以將其標記為(wei)超時停車(che)(che)，并及時進行(xing)預(yu)警和(he)管(guan)控。同時，利用這一(yi)(yi)功能，我們也可(ke)以通過對(dui)行(xing)駛和(he)停車(che)(che)數(shu)據進行(xing)分析，進一(yi)(yi)步優化路(lu)線規劃和(he)運(yun)(yun)營管(guan)理，提升運(yun)(yun)輸效率和(he)安(an)全性(xing)。

離線數據分析

插(cha)入離線數據(ju)（實時數據(ju)的中(zhong)間部分，觀(guan)察流式計算(suan)結果）：

插入離線數據，觀察流式計算結果select * from overtime_parking_output_stb;，如下：

在離線數(shu)(shu)據(ju)(ju)(ju)上傳后，TDengine 流式計算(suan)(suan)引擎會(hui)將(jiang)這(zhe)些數(shu)(shu)據(ju)(ju)(ju)在對(dui)應的(de)(de)時(shi)(shi)(shi)間(jian)點上進行數(shu)(shu)據(ju)(ju)(ju)計算(suan)(suan)處(chu)理，按照數(shu)(shu)據(ju)(ju)(ju)的(de)(de)時(shi)(shi)(shi)間(jian)順序進行處(chu)理，并(bing)且完全滿足軌跡按時(shi)(shi)(shi)間(jian)排序計算(suan)(suan)的(de)(de)正常順序，確保不會(hui)出現(xian)漏洞或(huo)者混亂(luan)的(de)(de)情(qing)況。這(zhe)樣一來，離線數(shu)(shu)據(ju)(ju)(ju)與實時(shi)(shi)(shi)數(shu)(shu)據(ju)(ju)(ju)就不會(hui)再(zai)出現(xian)錯(cuo)誤(wu)計算(suan)(suan)的(de)(de)問(wen)題(ti)，我(wo)們也能(neng)夠為(wei) B 端客(ke)戶提供(gong)更準確、實時(shi)(shi)(shi)、有效(xiao)的(de)(de)運營數(shu)(shu)據(ju)(ju)(ju)和報表(biao)。

總之，TDengine 流式(shi)計算功能不(bu)僅幫助我們實現了車輛(liang)行駛數據的(de)實時處(chu)理(li)和(he)分類，也很好地實現了運輸(shu)車輛(liang)超時停車預警(jing)，減(jian)輕了服務端的(de)計算壓力，滿(man)足業(ye)務需求的(de)同(tong)時幫助我們極大節省了數據處(chu)理(li)成本，提高了車輛(liang)的(de)運輸(shu)效率和(he)安全(quan)性。

寫在最后

在運行 TDengine 過(guo)程中，濤思數(shu)據團隊始終以客戶需求為導向，為我們(men)提供(gong)高效、可靠的(de)數(shu)據處理和分析服務(wu)(wu)，滿足了不斷升級的(de)業(ye)務(wu)(wu)需求，我們(men)也非常感謝他們(men)。未(wei)來我們(men)還有(you)計(ji)劃將 TDengine 引入到其他業(ye)務(wu)(wu)中進行時序數(shu)據的(de)處理，在實踐中推進時序數(shu)據庫技(ji)術(shu)的(de)發展，實現共贏(ying)。