基于大数据挖掘汽车智慧物流实现分析.docVIP

基于大数据挖掘汽车智慧物流实现分析 　　摘 要：随着信息技术的日益发展，大数据技术在人们的生产生活中应用得越来越广泛。文章针对汽车物流这一方面，简单介绍了如何使用大数据挖掘和分析的方法来实现汽车的智慧物流。 　　关键词：大数据；汽车物流；智慧物流 　　1 汽车物流对大数据的需求 　　当今社会，电子商务已经成为人们购物的首选方式，这促进了物流行业的蓬勃发展，而汽车物流作为物流行业的重要组成部分，越来越被各大物流企业所重视。如何掌握每个车队以及每辆汽车在长途行驶时的车辆信息、驾驶员信息，成为各大物流企业关注的焦点。 　　大数据，通常指大小超出了典型数据库软件工具收集、存储、管理和分析能力的数据集[1-2]。那么如何采集所需的数据呢？随着汽车产业的不断发展，T-BOX已经广泛安装在出产的汽车上，实现了通过汽车互联来采集车辆信息，这就为实现对汽车以及驾驶员信息的数据进行采集提供了必要条件。因此，可以进行如下挖掘及分析工作。 　　（1）通过大数据平台对车辆、人、交通产生的告警、性能、文本、视频等多维数据进行综合分析和挖掘。 　　（2）对日、月、年产生的海量数据进行综合分析和挖掘，通过智能化的处理模型挖掘数据价值。 　　（3）运用可视化的技术实现对数据分析结果的呈现，包括饼图、曲线、柱形以及地图等多种维度相结合的分析视图。 　　（4）在海量的数据中查询、索引需要的关键数据，为预警、管理提供依据。 　　（5）用数据分析，为物流交通运输进一步提高效益、调优运营、提升竞争力提供服务平台。 　　2 用到的关键技术 　　（1）基于Docker技术及微服务架构，保障系统的快速部署及简单运维，实现高可用、高可靠、高容错的分布式集群。 　　（2）系统采用混搭的存储架构，可根据数据不同分析需要进行存储?算，既有支持结构化数据的Mysql，也有支持非结构化数据的Hadoop架构。采用HDFS和Hbase进行海量数据的高可靠存储，支持高吞吐数据的访问、高可用、自动负载均衡等；采用ES分布式索引技术，实现快速数据索引。 　　（3）借助MR，Spark的优势来分析大批量的交通数据，极大提高海量数据的分析计算效率及容错性，支持海量维度的特征管理与建模、算法并行化。 　　（4）根据实际数据可视化分析呈现需求，为用户纯手工打造可视化分析的图形，集合地理信息系统（Geographic Information System，GIS）和Echarts等可视化分析交互组件，实现多维数据分析的功能，打造独一无二的可视化视图。 　　3 呈现效果 　　采用热力图的形式实现结果的呈现（见图1）。 　　图1展现了某台车辆的疲劳驾驶预警，当物流企业得到了这样的信息，便可及时地联系车辆司机对其预警，提前避免风险。 　　针对物流行业需求，可以呈现以下两方面的分析结果。 　　3.1 驾驶行为呈现 　　包括：驾驶行为综合指标、驾驶行为预警、（单车/车队）驾驶行为评分及评分榜、疲劳驾驶分析、超速行驶分析、弯道速度分析等。 　　3.2 车辆监控呈现 　　包括：车辆监控综合指标、全国车辆热力分布、车辆路况里程分析、车辆行驶路线热力分析、车辆运输利用率、油耗分析、车辆日行驶里程等。 　　以车队驾驶行为分析为例，对车队的全部车辆驾驶行为进行综合分析，同时将车队自身指标与总体指标、上月自身指标进行叠加对比。 　　分析指标包括：（1）故障，车队全部车辆在指定时间内的故障情况统计分析。（2）超速，车队全部车辆在指定时间内的超速情况统计分析。（3）转弯，车队全部车辆在指定时间内弯道行驶的驾驶行为情况分析。（4）疲劳，车队全部车辆在指定时间内疲劳驾驶情况统计分析。（5）准时，车队全部车辆在指定时间内送货取货的准时、延时情况统计分析。（6）违章，车队全部车辆在指定时间内违章情况统计分析。（7）货损，车队全部车辆在指定时间内货损情况统计分析。（8）保养，车队全部车辆在指定时间内汽车保养情况统计分析。（9）其他自定义指标。 　　得出的结果以雷达图的形式呈现（见图2）。 　　此外通过对车队整体的驾驶行为及车辆行为数据的分析，还可以得出车队的驾驶评分排名（见图3）。 　　此外，物流企业可以对其所属的全部车辆进行车辆监控管理，通过对车辆告警总数、车辆行驶总里程、平均油耗、车辆利用率、在途车辆总数、停驶车辆总数等指标的分析，形成统一看板（见图4）。 　　企业还可以对单个车辆的行驶里程通过车辆在高速、国道、省道的行驶里程进行分析排名，并以柱状图的形式呈现（见图5）。 　　通过对单个车辆的行驶里程分析结果进行汇总比较，进而得到单个车辆、车辆所在车队、驾驶员利用率的排名结果（见图6）。 　　另外，还可以对企业所属车辆在全国的分布以及全部车辆在全国行驶路线进行统计分析，这样对