时序数据库 TDengine 流式计算在吉科软冷链系统中的应用实践

当下，随着物流供应链的不断发展，冷链物流正变得越来越重要。通过数字化、平台化和生态化的智慧冷链监管平台，企业可以更好地掌握运输车辆的位置，及时发现并处理异常事件，有效提升客户满意度和信任度，同时也有助于降低冷链运输成本，提高企业市场竞争力。在这一背景下，某冷链项目利用追溯技术和监控预警功能，可以实现对冷链运输各个环节的高效监管，提高运输安全性和产品质量，为冷链运输行业带来极大的赋能作用。

异常事件预警

在具体业务中，轨迹数据的传输形式主要有两种，正常情况下设备会实时向服务端推送数据，但当设备无信号时就会出现离线数据，车辆联网后会将离线数据再次进行推送。利用这些推送数据，我们需要计算运输车辆超时停车预警。

这一需求实现的难点在于实时数据计算停车停留时间后，离线数据上传，离线数据可能存在实时数据的中间，所以停留时间需要重新计算，数据量大，计算量大，复杂度也高，准确性低。

我们的解决方案是：

• 对于实时数据，可以直接计算每个轨迹点的停留时间，并根据预设的超时阈值进行判断，是否需要发出超时停车预警。同时使用 Redis 内存数据库或者是使用分布式缓存系统进行缓存优化，将计算结果进行缓存，避免重复计算；

• 对于离线数据，可以在车辆重新联网后，将离线数据与实时数据进行合并，并根据时间戳进行排序，从而保证数据顺序的正确性。然后根据新的轨迹点数据重新计算超时停车预警，避免离线数据对预警结果造成影响。

在原有方案中，我们通过对已接收的数据进行实时计算，以此确定每个轨迹点是离线还是在线状态。但这一方案存在两点缺陷：

• 由于计算数据量较大，导致接收数据存在延时问题

• 因有离线数据，需要考虑离线数据与实时数据结合，可能有超时停车的情况出现，导致计算量复杂程度倍增

后面经过数据库选型，我们选择了时序数据库（Time Series Database） TDengine 存储车辆轨迹数据，它能够很好地实时分析并记录车辆的位置、速度和行驶方向等信息，为 B 端客户提供实时车辆运输位置跟踪。

 插入实时数据，观察流式计算结果select * from overtime_parking_output_stb;，如下：

通过应用 TDengine 流式计算功能，我们可以将行驶和超时停车的数据分别存储，并记录对应轨迹和时长，方便查找和分析正常行驶和超时停车的情况。

 在车辆行驶过程中，TDengine 流式计算引擎能够实时判断车辆的运行状态，区分出行驶和停车的状态，并将这些数据实时处理并存储到不同的数据库表或者数据流中。在数据存储的过程中，也会记录对应轨迹和时长等信息，为后续的数据分析提供依据。

对于超时停车的情况，通过 TDengine 流式计算可以实时监控车辆的运行状态和位置信息，如果发现车辆停留时间过长，就可以将其标记为超时停车，并及时进行预警和管控。同时，利用这一功能，我们也可以通过对行驶和停车数据进行分析，进一步优化路线规划和运营管理，提升运输效率和安全性。

离线数据分析

插入离线数据（实时数据的中间部分，观察流式计算结果）：

 插入离线数据，观察流式计算结果select * from overtime_parking_output_stb;，如下：

在离线数据上传后，TDengine 流式计算引擎会将这些数据在对应的时间点上进行数据计算处理，按照数据的时间顺序进行处理，并且完全满足轨迹按时间排序计算的正常顺序，确保不会出现漏洞或者混乱的情况。这样一来，离线数据与实时数据就不会再出现错误计算的问题，我们也能够为 B 端客户提供更准确、实时、有效的运营数据和报表。 

总之，TDengine 流式计算功能不仅帮助我们实现了车辆行驶数据的实时处理和分类，也很好地实现了运输车辆超时停车预警，减轻了服务端的计算压力，满足业务需求的同时帮助我们极大节省了数据处理成本，提高了车辆的运输效率和安全性。

写在最后

在运行 TDengine 过程中，涛思数据团队始终以客户需求为导向，为我们提供高效、可靠的数据处理和分析服务，满足了不断升级的业务需求，我们也非常感谢他们。未来我们还有计划将 TDengine 引入到其他业务中进行时序数据的处理，在实践中推进时序数据库技术的发展，实现共赢。