CN115630127A - 车机数据的分析方法、装置、存储介质及车辆 - Google Patents
车机数据的分析方法、装置、存储介质及车辆 Download PDFInfo
- Publication number
- CN115630127A CN115630127A CN202211204837.9A CN202211204837A CN115630127A CN 115630127 A CN115630127 A CN 115630127A CN 202211204837 A CN202211204837 A CN 202211204837A CN 115630127 A CN115630127 A CN 115630127A
- Authority
- CN
- China
- Prior art keywords
- point data
- vehicle
- buried point
- data
- dimension information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007405 data analysis Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000013500 data storage Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 230000006855 networking Effects 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 34
- 238000004458 analytical method Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000007619 statistical method Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013499 data model Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供一种车机数据的分析方法、车机数据的分析装置、计算机可读存储介质及车辆,涉及车联网技术领域。该方法包括:获取用户操作车机的第一埋点数据;其中,第一埋点数据中包括车辆的唯一标识;基于车辆的唯一标识,将第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据;其中,车辆的维度信息根据目标指标的统计维度预先确定;根据目标指标统计第二埋点数据,以获取关于目标指标的统计结果。本技术方案有利于提升车机数据分析效率。
Description
技术领域
本公开涉及车联网技术领域,尤其涉及一种车机数据的分析方法、装置、计算机可读存储介质及车辆。
背景技术
随着互联网技术和物联网技术的快速发展,车联网技术也迅速发展起来。车联网通过移动通信技术与智能平台将车、人、道路等信息进行实时监控整合的网络实体。基于车联网,将与汽车相关的海量数据进行整合,在用户行为分析、智慧出行、车辆监控和管理等方面上产生重要价值。而相关技术中亟需一种车机数据的分析方案。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种车机数据的分析方法、车机数据的分析装置、计算机可读存储介质及车辆,进而至少在一定程度上提升车机数据分析效率。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种车机数据的分析方法,该方法包括:获取用户操作车机的第一埋点数据;其中,上述第一埋点数据中包括车辆的唯一标识;基于上述车辆的唯一标识,将上述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据;其中,上述车辆的维度信息根据目标指标的统计维度预先确定;以及,根据上述目标指标统计上述第二埋点数据,以获取关于上述目标指标的统计结果。
在示例性的实施例中,基于前述方案,在上述获取用户操作车机的第一埋点数据之后,上述方法还包括:将上述第一埋点数据存入第一消息系统中;上述基于上述车辆的唯一标识,将上述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据,包括:消费上述第一消息系统中存储的第一埋点数据,以基于上述车辆的唯一标识,将上述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据。
在示例性的实施例中,基于前述方案,在上述得到关联有维度信息的第二埋点数据之后,上述方法还包括:将上述第二埋点数据保存到第二消息系统中;消费上述第二消息系统中存储的第二埋点数据,以对上述第二埋点数据进行预处理,并将预处理之后得到的第三埋点数据进入大数据存储库中。
在示例性的实施例中,基于前述方案,上述目标指标包括:实时指标;上述根据上述目标指标统计上述第二埋点数据,以获取关于上述目标指标的统计结果,包括:将上述车辆的维度信息作为关键词,并根据关键词对第二埋点数据进行分组;根据上述实时指标,对每个组中的第二埋点数据进行统计,得到关于上述目标指标的统计结果。
在示例性的实施例中,基于前述方案,在上述实时指标为在线车辆数的情况下,上述根据上述实时指标,对每个组中的第二埋点数据进行统计,得到关于上述目标指标的统计结果,包括:按照预设统计时长统计每个组中的第二埋点数据,得到每个组对应的在线车辆数目;其中,上述统计结果为不同维度信息分别对应的在线车辆数目。
在示例性的实施例中,基于前述方案,在上述实时指标为导航使用时长的情况下,上述将上述车辆的维度信息作为关键词,并根据关键词对第二埋点数据进行分组,包括:对上述第二埋点数据进行过滤,得到关于导航事件的目标埋点数据;按照行程标识对上述目标埋点数据进行初步分组,以使同一个行程的上述目标埋点数据分流至同一个子组,得到多个子组;将上述车辆的维度信息作为关键词,并根据关键词对上述多个子组进行再次分组,得到多个组;上述根据上述实时指标,对每个组中的第二埋点数据进行统计,得到关于上述目标指标的统计结果,包括:根据每个组中每个子组对应的导航开始时间以及导航结束时间,得到每个组中每个子组对应的导航时长;其中,上述统计结果为不同行程分别对应的导航时长。
在示例性的实施例中,基于前述方案,在上述目标指标包括:离线指标;上述将预处理之后得到的第三埋点数据进入大数据存储库中之后,还包括:获取关于上述离线指标的定时查询任务,通过上述定时查询任务按照上述离线指标统计出预设时长内的上述第三埋点数据,得到关于上述离线指标的统计结果;或,根据上述第三埋点数据建立数据仓库,基于上述数据仓库统计关于上述离线指标的统计结果。
在示例性的实施例中,基于前述方案,上述方法还包括:将上述目标指标的统计结果保存到大数据分析引擎。
根据本公开的另一个方面,提供一种车机数据的分析装置,该装置包括:数据采集模块、数据关联模块,以及数据分析模块。
其中,上述数据采集模块,用于获取用户操作车机的第一埋点数据;其中,上述第一埋点数据中包括车辆的唯一标识;上述数据关联模块,用于基于上述车辆的唯一标识,将上述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据;其中,上述车辆的维度信息根据目标指标的统计维度预先确定;以及,上述数据分析模块,用于根据上述目标指标统计上述第二埋点数据,以获取关于上述目标指标的统计结果。
根据本公开的再一个方面,提供一种车辆,包括处理器和存储器,所述存储器用于存储程序,所述处理器用于调用所述程序,以执行上述实施例中的车机数据的分析方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述实施例中的车机数据的分析方法。
本公开的实施例所提供的车机数据的分析方法、车机数据的分析装置、计算机可读存储介质及车辆,具备以下技术效果:
本技术方案获取用户操作车机的第一埋点数据,其中,第一埋点数据中包括车辆的唯一标识;进一步地,基于车辆的唯一标识,将第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据,其中车辆的维度信息为根据目标指标的统计维度预先确定的。也就是说,在对埋点数据进行关于目标指标的统计之前,先统一对第一埋点数据执行与车辆的上述维度信息进行关联操作,从而无需针对每一目标指标进行统计处理时再分别执行关联操作。可见,由于第二埋点数据提前进行了与车辆维度信息的关联处理,则第二埋点数据可以直接供下游任一目标指标的数据统计,有利于提升车机数据分析效率。相关技术中确定每一目标指标后,针对每个目标指标分别执行关于第一埋点数据与车辆维度信息之间关联操作,存在重复性的关联操作。进而本申请所提供方案避免了重复关联处理带来的大量的数据处理工作,本技术方案,能够提升车机数据分析效率,有利于支撑各种数据业务的快捷执行,提升用户使用体验,提高客户粘度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开一示例性实施例中车机数据的分析方法的流程示意图。
图2示出本公开一示例性实施例中车机数据的处理方法的流程示意图。
图3示出本公开另一示例性实施例中车机数据的分析方法的流程示意图。
图4示出本公开再一示例性实施例中车机数据的分析方法的流程示意图。
图5示出本公开一示例性实施例中实时指标的统计方法的流程示意图。
图6示出本公开另一示例性实施例中实时指标的统计方法的流程示意图。
图7示出本公开一实施例的数据仓库的结构示意图。
图8示出本公开一实施例的车机数据的分析装置的结构示意图。
图9示出本公开的另一实施例的车机数据的分析装置的结构示意图。
图10示出本公开的一实施例中车辆的结构图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施例方式作进一步地详细描述。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
以下先对本公开提供的车机数据的分析方法实施例的进行详细阐述:
图1示出本公开示例性实施例中车机数据的分析方法的流程示意图。参考图1,该图所示实施例包括:
S110,获取用户操作车机的第一埋点数据;其中,第一埋点数据中包括车辆的唯一标识;示例性的,用户操作车机生成为反映用户操作行为的数据,例如,用户是否使用了智能导航、用户每次使用导航的时长等。示例性的,通过埋点的方式监控并采集用户操作行为的数据,得到上述第一埋点数据。示例性的,上述车辆的唯一标识即VIN(VehicleIdentification Number,车辆识别码),携带有VIN的第一埋点数据可以表明该数据所来自的车辆。
S120,基于车辆的唯一标识,将第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据;其中,车辆的维度信息根据目标指标的统计维度预先确定;以及,S130,根据目标指标统计第二埋点数据,以获取关于目标指标的统计结果。
在图1所提供的本技术方案中,在对埋点数据进行关于目标指标的统计之前,先统一对第一埋点数据执行与车辆的维度信息进行关联操作,具体地,基于车辆的唯一标识,将第一埋点数据与车辆的维度信息关联处理得到第二埋点数据。需要说明的是,车辆的维度信息为根据目标指标的统计维度预先确定的,例如,目标指标将的统计维度“车型”,则车型即可以作为车辆的维度信息。由于第二埋点数据提前进行了与车辆的维度信息的关联处理,则第二埋点数据可以直接用于下游任一目标指标的数据统计,有利于提升车机数据分析效率。
相关技术中确定每一目标指标后,针对每个目标指标分别执行关于第一埋点数据与车辆维度信息之间关联操作,存在重复性的关联操作。例如,针对关于5个目标指标的统计任务,在相关技术中需要针对每个统计任务需进行一次关联操作,则执行5个统计任务需要执行5次关联操作;而利用本申请提供的方案,在执行上述5次关于目标指标的统计任务之前先统一执行一次关联操作,则在执行上述统计任务时可以直接使用关联有车辆的维度信息,无需再执行关联操作。可见,本申请所提供方案能够避免相关技术中的重复关联处理,能够提升车机数据分析效率,有利于支撑各种数据业务的快捷执行,提升用户使用体验,提高客户粘度。
在示例性的实施例中,图2示出本公开一示例性实施例中车机数据的处理方法的流程示意图。
在S210中,通过埋点方式获取用户操作车机的第一埋点数据,并将第一埋点数据存入第一消息系统中。
在示例性的实施例中,用户操作车机生成为反映用户操作行为的数据,通过监控并采集用户的车机操作行为,并将相关数据进行分析处理后有利于为用户提供个性化的服务,进而有利于提升用户满意度和增强用户的黏度。
在示例性的实施例中,参考图4,其中,S2102可以作为S210的一种具体实施方式。
在S2102中,通过埋点方式获取第一埋点数据,将第一埋点数据压缩处理后存入车端的第一Kafka中。
示例性的,通过埋点方式提升数据获取的全面性以及灵活性。示例性的,通过根据采集需求自主研发的目标SDK(Software Development Kit,软件开发工具包)实现采点,具体地为车机的每个需要采集数据的应用中均集成一个上述目标SDK,从而实现用户行为数据点的精确采集。
在示例性的实施例中,获取到的埋点数据(第一埋点数据)311压缩后存储至车端310的第一消息系统。本说明书实施例中每个被埋点的车端210均采用一消息系统(第一消息系统)来存储埋点数据(第一埋点数据),多个被埋点车端的消息系统则形成分布式消息系统。其中,分布式消息系统Kafka能够提供高吞吐、可扩展的分布式消息队列服务,能够快速创建并方便管理Kafka集群,适用于本实施例中埋点数据收集的场景。因此,本说明书实施例中在每个被埋点的车端310均设置Kafka来收集对应车端的埋点数据(如图3中所示出的Kafka 312)。
需要说明的是,本说明书实施例中为了与后文中存储至大数据平台320的第二消息系统的中的车机数据(记作“第二埋点数据”)形成差别,本说明书实施例中将存储至第一消息系统中的车机数据记作“第一埋点数据”。
继续参考图2,在S220中,消费上述第一消息系统中存储的第一埋点数据,以基于上述车辆的唯一标识,将上述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据,并将上述第二埋点数据保存到第二消息系统中。
示例性的,为了便于目标指标的统计分析,在执行任一目标指标的统计分析之前,统一对埋点数据与车辆的维度信息进行关联处理。其中,同上所述,为了便于目标指标的统计分析,与第一埋点数据进行关联的车辆维度信息与目标的统计维度相关。例如,目标指标将的统计维度包括:车型、品牌以及车系等,则车型、品牌以及车系等均可以作为车辆的维度信息。
由于数据分析任务包含关于实时指标的统计分析,为了保证此类数据分析任务执行及时性,则采用实时处理程序对车端所采集第一埋点数据进行处理。其中,实时处理程序又称“实时操作系统”,是一类多道程序系统,能够对外部事件进行及时响应并处理。而Flink是由Apache软件基金会开发的开源流处理框架,其核心是用Java和Scala编写的分布式流数据流引擎。Flink以数据并行和流水线方式执行任意流数据程序,Flink的流水线运行时系统可以执行批处理和流处理程序,适用于处理本说明书实施例中的埋点数据。因此,本说明书实施例中实时处理程序采用Flink。可以理解的是,本说明书实施例中以“Flink”为例进行说明,本技术方案还可以采用其他实时处理程序实现,对此不作限定。
在示例性的实施例中,参考图4,其中,S2202和S2204可以作为S220的一种具体实施方式。
在S2202中,通过第一Flink程序消费车端第一Kafka中数据,以对第一埋点数据进行解压;以及,在S2204中,对于解压后的第一埋点数据,通过第一Flink程序根据VIN与车辆的维度信息进行关联得到第二埋点数据,再将第二埋点数据写入大数据平台的第二Kafka中。
在示例性的实施例中,参考图3,大数据平台320通过实时处理程序来消费车端第一消息系统中存储的第一埋点数据。参考图3,在大数据平台320,通过Flink321实时处理技术将车端第一消息系统Kafka312中的第一埋点数据解压后存放大数据平台的一Kafka323(记作,第二消息系统)中,以供下游进行实时指标和离线指标的统计计算。
在示例性的实施例中,上述Flink321将第一埋点数据进行实时解压后,还根据VIN将第一埋点数据与车辆的维度信息关联处理,示例性的,上述车辆的维度信息根据目标指标的统计维度预先确定,可以包括车辆的品牌、车型、车系、以及所接入平台等。示例性的,解压后的每个第一埋点数据均包含其所来自的车,即VIN。例如,VIN为“A1”和“A2”的两辆车属于相同车型“A”,则可以将VIN为“A1”的第一埋点数据以及VIN为“A2”的第一埋点数据进行关联得到关联有“车型A”维度的第二埋点数据。则在后续的数据统计任务中,对于同于车型“A”的数据统计任务,无线再在所有第一埋点数据中寻找属于车型“A”的数据并执行关联,而是直接利用关联有“车型A”维度的第二埋点数据即可执行对应任务。可见,本说明书实施例中在对任一目标指标进行数据统计之前,先统一对进入大数据平台的埋点数据进行关联处理,提前进行关联处理的操作有利于提升数据分析效率。具体地,根据目标指标消费上述第二消息系统中存储的第二埋点数据可以直接以获取关述目标指标的统计结果。进而避免了数据统计分析过程中针对任一目标指标进行统计时分别需要先执行数据关联操作,每个目标指标的统计过程均需进行关联操作将带来大量的数据处理工作,本方案有利于支撑各种数据业务的快捷执行,提升用户使用体验,提高客户粘度。
参考图3,车辆的维度信息可以存储至Mysql322中,在将解压后的第一埋点数据和Mysql中车辆信息维度进行关联处理之后,再将数据写入大数据平台320的Kafka323消息队列中。由于第二消息系统(Kafka323)中的数据提前进行了与车辆维度信息的关联处理,则第二消息系统的数据可以直接供下游消费达到可以直接使用数据的目的。
示例性的,上述方式经过测试单线程每秒可以处理2.1-2.5万条数据,如果车端310的Kafka312与大数据平台320的Kafka323均开启20个分区,Flink321分配20个slot去消费Kafka312中存储的第一埋点数据,则每秒可以处理42-50万辆车同时在线产生的埋点数据,可见有利于保证实时指标的统计分析任务的时效性。
在示例性的实施例中,参考图3,存储于第二消息系统Kafka323中的第二埋点数据既可以基于实时处理程序Flink324实现关于实时指标的统计计算。存储于第二消息系统Kafka323中的第二埋点数据又可以基于实时处理程序Flink325等实现关于离线指标的统计计算,相关实施例可继续参考图2,在S230中,消费上述第二消息系统中存储的第二埋点数据,以对上述第二埋点数据进行预处理,并将预处理之后得到的第三埋点数据进入大数据存储库中。
继续参考图4,在S410中,接收目标指标。示例性的,该目标指标可能是实时指标也可以是离线指标。则在S420中,判断目标指标为实时指标或离线指标。其中,上述实时指标可以是:在线车辆数、导航使用时长。需要说明的是,上述实时指标不限于此,还可以是其他实时指标。上述离线指标可以是:过去预设时长(一个月)内导航使用频率、过去预设时长(一个月)内语音成功率、过去预设时长(一个月)内手势使用频率等。需要说明的是,上述离线指标不限于此,还可以是其他离线指标。
在示例性的实施例中,在上述目标指标为实时指标的情况下,作为S130的一种具体实施方式为:将车辆的维度信息作为关键词,并根据关键词对第二埋点数据进行分组;以及,根据上述实时指标,对每个组中的第二埋点数据进行统计,便可以得到关于上述目标指标的统计结果。
具体地,针对不同的实时指标,统计结果的确定方式与对应的具体指标相关。示例性的,继续参考图4,在上述目标指标为实时指标的情况下,执行S430:判断实时指标为在线车辆数还是导航使用时长。在上述实时指标为在线车辆数的情况下执行图5中所示的S510-S530。在上述实时指标为导航使用时长的情况下执行图6中所示的S610-S640。以下分别对图5和图6对应的实施例进行介绍:
参考图5,在S510中,将车辆的维度信息作为关键词,并根据关键词对第二埋点数据进行分组;在S520中,按照预设统计时长统计每个组中的第二埋点数据,得到每个组对应的在线车辆数目;其中,上述统计结果为不同维度信息分别对应的在线车辆数目;以及,在S530中,将统计结果流转换成视图,并显示关于不同维度信息分别对应的在线车辆数目的视图。
在示例性的实施例中,由于上述第二埋点数据已经与车辆的维度信息进行了关联处理。因此在本图所示实施例中可以直接利用第二埋点数据进行多维度统计智能网联车的在线数量,例如按车辆的品牌、车型、车系、接入平台等维度分别可以便捷统计出智能网联车在线数。
示例性的,参考图3,通过Flink324消费存放至Kafka323中的第二埋点数据,具体地,将第二埋点数据分别所关联的维度信息,例如,品牌、车型、车系、接入平台等,作为关键词(key),然后将关联有不同key的第二埋点数据分至不同的组,则关联有相同key的第二埋点数据属于同一个组,例如,一个组中的第二埋点数据均是属于相同车型的,另一个组中的第二埋点数据均是属于相同车系的,等。进一步地,对于同一个组的第二埋点数据则通过同一个统计窗口进行在线车辆数的统计。假如设定窗口长度是30分钟,从而可以实现每30分钟触发统计一次。示例性的,将Flink324所提供的两个函数:合计函数(AggregateFunction)和窗口处理函数(ProcessWindowFunction)配合使用,其中,AggregateFunction算子函数内部设计有累加器,从而该窗口内每增加一条关于在线车辆的数据则累加器加一。示例性的,30分钟窗口触发计算后,ProcessWindowFunction算子函数接收累加器的数据后封装为在线车辆数目并返回,从而便可以得到每个统计维度对应的在线车辆数。示例性的,还可以将计算结果流通过临时视图生成其(createTemporaryView)将不同统计维度所对应的统计结果转换成视图,从而便于用户查看。
继续参考图4,在S450中,将统计结果保存至大数据分析引擎中。本实施例中为了便于上述统计结果的其他应用,则可以将关于各个目标指标的统计结果均存储至大数据分析引擎中。其中,本说明书实施例中采用能够提供即时查询功能的Doris。在上述实施例中,由于上述实时指标的统计任务由Flink 324执行,因此对应的统计结果可以通过连接器(Flink-Doris-connector)保存到Doris中。
参考图6,在S610中,对第二埋点数据进行过滤,得到关于导航事件的目标埋点数据;在S620中,按照行程标识对目标埋点数据进行初步分组,以使同一个行程的目标埋点数据分流至同一个子组,得到多个子组;在S630中,将车辆的维度信息作为关键词,并根据关键词对上述多个子组进行再次分组,得到多个组;在S640中,根据每个每个子组分别对应的导航开始时间以及导航结束时间,得到每个组中每个子组对应的导航时长;其中,统计结果为不同行程分别对应的导航时长;以及,在S650中,将上述统计结果流转换成视图,并显示关于不同行程分别对应的导航时长的视图。
同上所述,由于上述第二埋点数据已经与车辆的维度信息进行了关联处理。因此在本图所示实施例中可以直接利用第二埋点数据进行多维度统计智能网联车的导航时长,例如按车辆的品牌、车型、车系、接入平台等统计维度分别均可以便捷统计出智能网联车的导航时长。
在示例性的实施例中,参考图3,通过Flink324消费存放在Kafka323中的第二埋点数据,具体地,通过过滤器(filter)过滤上述第二埋点数据,以保留导航事件(map_navi_naviend)的埋点数据,进一步地根据行程的导航事件中(avn_vvid)行程标识进行初步分组,以保证同一个行程的第二埋点数据被分至同一个子组。进一步地,还可以根据统计维度(车型、品牌等)以关键词对上述多个子组进行再次分组,进而可以实现在不同统计维度统计智能导航使用时长数,例如,属于品牌A的车辆有N(正整数)辆使用智能导航,其中第x行程所使用的导航时长为20分钟等。
关于一个行程对应的导航时长确定实施例如下:定义一个导航实体类,并可以声明导航使用的开始时间、结束时间以及导航时长等字段。则上述导航事件中埋点的json(JavaScript Object Notation,JS对象简谱)对象里面包含导航的开始时间和结束时间,至于导航时长,则可以通过导航的结束时间减去导航的开始时间计算得到。示例性的,计算结果流通过createTemporaryView转换成视图,从而显示关于不同行程分别对应的导航时长的视图,以便于用户查看。
参考图4,在S450中,将统计结果保存至大数据分析引擎中。同上述实施例所述,本实施例中也通过Flink-Doris-connector连接器将统计结果导航时长保存到Doris中。
继续参考图4,在判断到上述目标指标为离线指标的情况下,执行S2303(可以作为S230的一种具体实施方式):通过第二Flink程序对第二埋点数据进行预处理,并将预处理之后的埋点数据(记作:第三埋点数据)进入大数据存储库中。
其中,本说明书实施例中通过大数据存储库存储上述第三埋点数据,以供后续数据仓库的建立等。示例性的,由于关于离线指标的统计分析任务对实时性要求不高,因此可以采用大数据存储库(Hive)来存储上述第三埋点数据。可以理解的是,可以根据实际需求确定用于存储上述第三埋点数据的大数据存储库,而不限于使用Hive。
示例性的,参考图3,通过另一实时处理程序Flink325消费Kafka323中的第二埋点数据,具体对数据进行以下预处理操作:对不规则数据的清理(对于不规则的数据直接进行删除操作)、数据字段的阈值规则处理(不在阈值内的数据重置为默认值),以及常用字段(按照实际使用进行筛选)的筛选等。进一步地,Flink325再将数据按预设时长(例如,按天)进行分区写入大数据存储库Hive326中。
需要说明的是,用于处理大数据平台320中第二消息系统中数据的实时处理程序Flink325,与用于处理车队第一消息系统中数据的实时处理程序Flink321为两个独立的实时处理程序,采用两个Flink程序分别进行数据处理,以及通过大数据平台的Kafka323再存储一次解压后埋点数据(第二埋点数据),能够实现程序处理的解耦合。同时,解压后的第二埋点数据可以供Flink324进行实时指标的统计(已在上述实施例中进行了介绍),提高了数据的可用性;写入Hive326中的第三埋点数据可用于数据仓库327的创建并进一步的基于所创建的数据仓库实现离线统计,还可以用于定时查询任务328直接实现离线统计。
本实施例中,关于离线指标的统计计算主要通过查询上述数据库Hive326中存储的第三埋点数据实现。示例性的,根据第三埋点数据实现离线指标统计计算的方式,具体如图4中S440和S440’的两种2种方式:
在S440中,获取关于离线指标的定时查询任务,通过定时查询任务按照离线指标统计出预设时长内的第三埋点数据,得到关于离线指标的统计结果。
示例性的,通过定时查询任务328查询Hive表来统计当天(预设时长)内关于离线指标的数据,还可以将统计结果保存到Hive中的按天统计的表里面,比如当天的导航设备使用人次、当天的语音使用次数及成功率、当天的手势使用次数及成功率、当天的APP(Application,应用)使用次数人数、当天的个人中心第三方账号绑定数量、当天的寻迹导航、超级i空间、当天的车机在线时长均离线指标的数据分析统计。可见上述多种离线指标的数据统计任务,均可以基于上述定时查询任务328实现统计。
示例性的,首先按照需求创建一张按天统计的Hive表。其次编写壳脚本(ShellScrip),在脚本中定义前一天的分区时间,然后将该脚本上传到任务流调度系统中,通过项目管理创建工作流实例生成每天凌晨的定时调度工作流。上述调度系统在每天凌晨会调度执行一次以将统计结果插入到日统计表中。示例性的,在S450中,将统计结果保存至大数据分析引擎中。同上述实施例所述,上述大数据引擎采用Doris,在上述实施例中,可以通过异构数据源离线同步工具(如,图4中示出的DataX329)将结果数据导入到Doris330中。其中,DataX可以提供各种异构数据源之间稳定高效的数据同步功能。可以理解的是,本说明书实施例不限于使用DataX,还可以是其他异构数据源离线同步工具,对此不作限定。
继续参考图4,在S440’中,根据第三埋点数据建立数据仓库,基于数据仓库统计关于离线指标的统计结果。
其中,数据仓库是一个为数据分析而设计的企业级数据管理系统。数据仓库可集中、整合多个信息源的大量数据,借助数据仓库的分析能力,企业可从数据中获得宝贵的信息进而改进决策。同时,随着时间的推移,数据仓库中积累的大量历史数据对于科研分析也极其重要。如果把数据看作图书馆里的书,通过数据仓库的方式可以确定书在书架上分门别类地放置;如果把数据看作城市的建筑,通过数据仓库的方式可以确定城市规划布局合理;如果把数据看作电脑文件和文件夹,通过数据仓库的方式能够按照自己的习惯有很好的文件夹组织方式面。
可见,数据模型就是数据组织和存储方法,它强调从业务、数据存取和使用角度合理存储数据。
在示例性的实施例中,如图7示出了本说明书实施例所构建的数据仓库核心架构,包括:ODS(Operation Data Store,原始数据层)710、DIM(Dimension,公共维度层)720、DWD(Data Warehouse Detail,明细数据层)730、DWS(Data Warehouse Summary,汇总数据层)740以及ADS(Application Data Service,数据应用层)750。
其中,ODS 710用于存放未经过处理的原始数据,结构上与原系统保存一致,是数据仓库的数据准备区。DIM 720用于基于维度建模理论进行构建,存放维度模型中的维度表保存一致性维度信息。DWD 730用于基于维度建模理论进行构建,存放维度模型中的事实表,保存各业务过程最小粒度的操作记录。DWS 740用于基于上层的指标需求,以分析的主题对象作为建模驱动,构建公共统计粒度的汇总表。ADS 750用于存放各项统计指标结果。示例性的,离线指标为:某天内导航设备使用车次,基于数据仓库实现该离线指标的数据统计分析任务的过程如下:通过ODS 710存储导航设备使用数据(来自Hive 326存储的第三埋点数据),通过DIM 720构建对应于不同统计维度的维度表,例如,表中包含多种不同车型、多种不同品牌等。通过DWD 730根据上述维度表,并基于表中统计维度处理存储在ODS 710的导航设备使用数据,例如,将不同统计维度分别对应的导航设备使用数据保存为维度表。例如,维度表中存储由分别关于多种不同车型的导航设备使用数据、分别关于多种不同品牌的导航设备使用数据等。进一步地,DWS 740根据离线指标某天内导航设备使用车次,分析DWD 730中分布于各个统计维度的数据,得到不同统计维度分别对应的统计结果。例如,属于A车型的车辆a在某天内导航设备使用车次为5次,属于A车型的车辆b在某天内导航设备使用车次为4次,属于S品牌的车辆a在某天内导航设备使用车次为5次,等。ADS 750则用于存储关于上述离线指标“某天内导航设备使用车次”的统计结果。
通过上述合理的分层,能够使数据体系更加清晰,使复杂问题得以简化。以下是该项目的分层规划。同时,通过数据仓库将数据有序的组织和存储起来之后,数据才能得到高性能、低成本、高效率、高质量的使用。具体的,高性能是指:良好的数据模型能够帮助我们快速查询所需要的数据。低成本是指:良好的数据模型能减少重复计算,实现计算结果的复用,降低计算成本。高效率是指:良好的数据模型能极大的改善用户使用数据的体验,提高使用数据的效率。高质量是指:良好的数据模型能改善数据统计口径的混乱,减少计算错误的可能性。
本实施例中,根据主题创建埋点数据(第三埋点数据)统计的域,按照分层规划进行数据建模,从埋点数据(第三埋点数据)的ODS层直到汇总模型ADS层,从而确定任一离线指标的统计结果。
示例性的,在S450中,将统计结果保存至大数据分析引擎Doris中。在上述实施例中,将ADS层的统计结果通过Datax工具导入到Doris。
由于Doris存储有上述实施例中不同指标的统计结果,从而能够对其他数据服务提供数据支持。
本申请提供的车机数据的分析方案中,通过搭建大数据平台,实时解析埋点压缩数据,实时指标计算及基于Hive的离线指标计算,可以从海量的埋点数据中筛选出有价值的数据并对数据进行处理,把数据变废为宝,使数据可以直接应用于车企的各个部门,并且能提供实时的数据处理和数据服务的能力,帮助车企解决各种突发问题,助力车企向数字化转型。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
其中,图8示出本公开一实施例的车机数据的分析装置的结构示意图。请参见图8,该图所示的车机数据的分析装置可以通过软件、硬件或者两者的结合实现成为车辆的全部或一部分,还可以作为独立的模块集成于车辆中或服务器上。
本公开实施例中的车机数据的分析装置800包括:数据采集模块810、数据关联模块820,以及数据分析模块830。
其中,上述数据采集模块810,用于获取用户操作车机的第一埋点数据;其中,上述第一埋点数据中包括车辆的唯一标识;上述数据关联模块820,用于基于上述车辆的唯一标识,将上述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据;其中,上述车辆的维度信息根据目标指标的统计维度预先确定;以及,上述数据分析模块830,用于根据上述目标指标统计上述第二埋点数据,以获取关于上述目标指标的统计结果。
在示例性的实施例中,图9示出本公开的另一实施例的车机数据的分析装置的结构示意图。请参见图9:
在示例性的实施例中,基于前述方案,上述装置还包括:数据处理模块840。
其中,上述数据处理模块840,用于在上述数据采集模块810获取用户操作车机的第一埋点数据之后,将上述第一埋点数据存入第一消息系统中;
上述数据关联模块820,具体用于:消费上述第一消息系统中存储的第一埋点数据,以基于上述车辆的唯一标识,将上述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据。
在示例性的实施例中,基于前述方案于,上述数据处理模块840,还用于:将上述第二埋点数据保存到第二消息系统中;以及,消费上述第二消息系统中存储的第二埋点数据,以对上述第二埋点数据进行预处理,并将预处理之后得到的第三埋点数据进入大数据存储库中。
在示例性的实施例中,基于前述方案,上述目标指标包括:实时指标;上述数据分析模块830,包括:分组单元8301和实时指标统计单元8302。
其中,上述分组单元8301,用于将上述车辆的维度信息作为关键词,并根据关键词对第二埋点数据进行分组;上述实时指标统计单元8302,用于根据上述实时指标,对每个组中的第二埋点数据进行统计,得到关于上述目标指标的统计结果。
在示例性的实施例中,基于前述方案,在上述实时指标为在线车辆数的情况下,上述实时指标统计单元8302,具体用于:按照预设统计时长统计每个组中的第二埋点数据,得到每个组对应的在线车辆数目;其中,上述统计结果为不同维度信息分别对应的在线车辆数目。
在示例性的实施例中,基于前述方案,在上述实时指标为导航使用时长的情况下,上述分组单元8301,具体用于:对上述第二埋点数据进行过滤,得到关于导航事件的目标埋点数据;按照行程标识对上述目标埋点数据进行初步分组,以使同一个行程的上述目标埋点数据分流至同一个子组,得到多个子组;以及,将上述车辆的维度信息作为关键词,并根据关键词对上述多个子组进行再次分组,得到多个组;
上述实时指标统计单元8302,具体用于:根据每个组中每个子组对应的导航开始时间以及导航结束时间,得到每个组中每个子组对应的导航时长;其中,上述统计结果为不同行程分别对应的导航时长。
在示例性的实施例中,基于前述方案,在上述目标指标包括:离线指标;上述数据分析模块830,还包括:离线指标统计单元8303。
其中,上述离线指标统计单元8303,用于根据上述大数据存储库存储的第三埋点数据,确定关于上述离线指标的统计结果;
其中,上述离线指标统计单元8303,具体用于:获取关于上述离线指标的定时查询任务,通过上述定时查询任务统计出预设时长内的第三埋点数据,得到关于上述离线指标的统计结果;或,根据上述第三埋点数据建立数据仓库,基于上述数据仓库统计关于上述离线指标的统计结果。
在示例性的实施例中,基于前述方案于,上述数据处理模块840,还用于:将上述目标指标的统计结果保存到大数据分析引擎。
需要说明的是,上述实施例提供的车机数据的分析装置在执行车机数据的分析方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的车机数据的分析装置与车机数据的分析方法实施例属于同一构思,因此对于本公开装置实施例中未披露的细节,请参照本公开上述的车机数据的分析方法的实施例,这里不再赘述。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
本公开实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述任一实施例方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
本公开实施例还提供了一种车辆,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述任一实施例方法的步骤。
图10示出本公开的一实施例中车辆的结构图。请参见图10所示,车辆1000包括有:处理器1001和存储器1002。
本公开实施例中,处理器1001为计算机系统的控制中心,可以是实体机的处理器,也可以是虚拟机的处理器。处理器1001可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1001可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable LogicArray,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在本公开实施例中,上述处理器1001具体用于:
获取用户操作车机的第一埋点数据;其中,上述第一埋点数据中包括车辆的唯一标识;基于上述车辆的唯一标识,将上述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据;其中,上述车辆的维度信息根据目标指标的统计维度预先确定;根据上述目标指标统计上述第二埋点数据,以获取关于上述目标指标的统计结果。
进一步地,上述处理器1001还具体用于:
在上述获取用户操作车机的第一埋点数据之后,将上述第一埋点数据存入第一消息系统中;上述基于上述车辆的唯一标识,将上述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据,包括:消费上述第一消息系统中存储的第一埋点数据,以基于上述车辆的唯一标识,将上述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据。
进一步地,上述处理器1001还具体用于:
在上述得到关联有维度信息的第二埋点数据之后,将上述第二埋点数据保存到第二消息系统中;消费上述第二消息系统中存储的第二埋点数据,以对上述第二埋点数据进行预处理,并将预处理之后得到的第三埋点数据进入大数据存储库中。
进一步地,上述目标指标包括:实时指标;上述根据上述目标指标统计上述第二埋点数据,以获取关于上述目标指标的统计结果,包括:将上述车辆的维度信息作为关键词,并根据关键词对第二埋点数据进行分组;根据上述实时指标,对每个组中的第二埋点数据进行统计,得到关于上述目标指标的统计结果。
进一步地,在上述实时指标为在线车辆数的情况下,上述根据上述实时指标,对每个组中的第二埋点数据进行统计,得到关于上述目标指标的统计结果,包括:按照预设统计时长统计每个组中的第二埋点数据,得到每个组对应的在线车辆数目;其中,上述统计结果为不同维度信息分别对应的在线车辆数目。
进一步地,在上述实时指标为导航使用时长的情况下,上述将上述车辆的维度信息作为关键词,并根据关键词对第二埋点数据进行分组,包括:对上述第二埋点数据进行过滤,得到关于导航事件的目标埋点数据;按照行程标识对上述目标埋点数据进行初步分组,以使同一个行程的上述目标埋点数据分流至同一个子组,得到多个子组;将上述车辆的维度信息作为关键词,并根据关键词对上述多个子组进行再次分组,得到多个组;上述根据上述实时指标,对每个组中的第二埋点数据进行统计,得到关于上述目标指标的统计结果,包括:根据每个组中每个子组对应的导航开始时间以及导航结束时间,得到每个组中每个子组对应的导航时长;其中,上述统计结果为不同行程分别对应的导航时长。
进一步地,在上述目标指标包括:离线指标;上述根据上述目标指标统计上述第二埋点数据,以获取关于上述目标指标的统计结果,包括:获取关于上述离线指标的定时查询任务,通过上述定时查询任务统计出预设时长内的上述第三埋点数据,得到关于上述离线指标的统计结果;或,根据上述第三埋点数据建立数据仓库,基于上述数据仓库统计关于上述离线指标的统计结果。
进一步地,上述处理器1001还具体用于:将上述目标指标的统计结果保存到大数据分析引擎。
存储器1002可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在本公开的一些实施例中,存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1001所执行以实现本公开实施例中的方法。
一些实施例中,车辆1000还包括有:外围设备接口1003和至少一个外围设备。处理器1001、存储器1002和外围设备接口1003之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1003相连。具体地,外围设备包括:显示屏1004、摄像头1005和音频电路1006中的至少一种。
外围设备接口1003可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器1001和存储器1002。在本公开的一些实施例中,处理器1001、存储器1002和外围设备接口1003被集成在同一芯片或电路板上;在本公开的一些其他实施例中,处理器1001、存储器1002和外围设备接口1003中的任意一个或两个可以在单独的芯片或电路板上实现。本公开实施例对此不作具体限定。
显示屏1004用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1004是触摸显示屏时,显示屏1004还具有采集在显示屏1004的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1001进行处理。此时,显示屏1004还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在本公开的一些实施例中,显示屏1004可以为一个,设置车辆1000的前面板;在本公开的另一些实施例中,显示屏1004可以为至少两个,分别设置在车辆1000的不同表面或呈折叠设计;在本公开的再一些实施例中,显示屏1004可以是柔性显示屏,设置在车辆1000的弯曲表面上或折叠面上。甚至,显示屏1004还可以设置成非矩形的不规则图形,也即异形屏。显示屏1004可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头1005用于采集图像或视频。可选地,摄像头1005包括前置摄像头和后置摄像头。通常,前置摄像头设置在车辆的前面板,后置摄像头设置在车辆的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在本公开的一些实施例中,摄像头1005还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1006可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1001进行处理。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在车辆1000的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。
电源1007用于为车辆1000中的各个组件进行供电。电源1007可以是交流电、直流电、一次性电池或可充电电池。当电源1007包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
本公开实施例中示出的车辆结构框图并不构成对车辆1000的限定,车辆1000可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在本公开的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本公开中的具体含义。此外,在本公开的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,依本公开权利要求所作的等同变化,仍属本公开所涵盖的范围。
Claims (10)
1.一种车机数据的分析方法,其特征在于,所述方法包括:
获取用户操作车机的第一埋点数据;其中,所述第一埋点数据中包括车辆的唯一标识;
基于所述车辆的唯一标识,将所述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据;其中,所述车辆的维度信息根据目标指标的统计维度预先确定;
根据所述目标指标统计所述第二埋点数据,以获取关于所述目标指标的统计结果。
2.根据权利要求1所述的方法,其特征在于,在所述获取用户操作车机的第一埋点数据之后,所述方法还包括:
将所述第一埋点数据存入第一消息系统中;
所述基于所述车辆的唯一标识,将所述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据,包括:
消费所述第一消息系统中存储的第一埋点数据,以基于所述车辆的唯一标识,将所述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据。
3.根据权利要求2所述的方法,其特征在于,在所述得到关联有维度信息的第二埋点数据之后,所述方法还包括:
将所述第二埋点数据保存到第二消息系统中;
消费所述第二消息系统中存储的第二埋点数据,以对所述第二埋点数据进行预处理,并将预处理之后得到的第三埋点数据进入大数据存储库中。
4.根据权利要求1所述的方法,其特征在于,所述目标指标包括:实时指标;
所述根据所述目标指标统计所述第二埋点数据,以获取关于所述目标指标的统计结果,包括:
将所述车辆的维度信息作为关键词,并根据关键词对第二埋点数据进行分组;
根据所述实时指标,对每个组中的第二埋点数据进行统计,得到关于所述目标指标的统计结果。
5.根据权利要求4所述的方法,其特征在于,在所述实时指标为在线车辆数的情况下,所述根据所述实时指标,对每个组中的第二埋点数据进行统计,得到关于所述目标指标的统计结果,包括:
按照预设统计时长统计每个组中的第二埋点数据,得到每个组对应的在线车辆数目;
其中,所述统计结果为不同维度信息分别对应的在线车辆数目。
6.根据权利要求4所述的方法,其特征在于,在所述实时指标为导航使用时长的情况下,所述将所述车辆的维度信息作为关键词,并根据关键词对第二埋点数据进行分组,包括:
对所述第二埋点数据进行过滤,得到关于导航事件的目标埋点数据;
按照行程标识对所述目标埋点数据进行初步分组,以使同一个行程的所述目标埋点数据分流至同一个子组,得到多个子组;
将所述车辆的维度信息作为关键词,并根据关键词对所述多个子组进行再次分组,得到多个组;
所述根据所述实时指标,对每个组中的第二埋点数据进行统计,得到关于所述目标指标的统计结果,包括:
根据每个组中每个子组对应的导航开始时间以及导航结束时间,得到每个组中每个子组对应的导航时长;
其中,所述统计结果为不同行程分别对应的导航时长。
7.根据权利要求3所述的方法,其特征在于,在所述目标指标包括:离线指标;
所述将预处理之后得到的第三埋点数据进入大数据存储库中之后,还包括:
获取关于所述离线指标的定时查询任务,通过所述定时查询任务按照所述离线指标统计出预设时长内的所述第三埋点数据,得到关于所述离线指标的统计结果;或,
根据所述第三埋点数据建立数据仓库,基于所述数据仓库统计关于所述离线指标的统计结果。
8.一种车机数据的分析装置,其特征在于,所述装置包括:
数据采集模块,用于获取用户操作车机的第一埋点数据;其中,所述第一埋点数据中包括车辆的唯一标识;
数据关联模块,用于基于所述车辆的唯一标识,将所述第一埋点数据与车辆的维度信息关联处理,得到关联有维度信息的第二埋点数据;其中,所述车辆的维度信息根据目标指标的统计维度预先确定;
数据分析模块,用于根据所述目标指标统计所述第二埋点数据,以获取关于所述目标指标的统计结果。
9.一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,其特征在于,当所述指令在计算机或处理器上运行时,使得所述计算机或处理器执行如权利要求1至7中任意一项所述的车机数据的分析方法。
10.一种车辆,包括处理器和存储器,所述存储器用于存储程序,其特征在于,所述处理器用于调用所述程序,以执行如权利要求1至7中任意一项所述的车机数据的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204837.9A CN115630127A (zh) | 2022-09-29 | 2022-09-29 | 车机数据的分析方法、装置、存储介质及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204837.9A CN115630127A (zh) | 2022-09-29 | 2022-09-29 | 车机数据的分析方法、装置、存储介质及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115630127A true CN115630127A (zh) | 2023-01-20 |
Family
ID=84904688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211204837.9A Pending CN115630127A (zh) | 2022-09-29 | 2022-09-29 | 车机数据的分析方法、装置、存储介质及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630127A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520408A (zh) * | 2023-11-01 | 2024-02-06 | 广州市玄武无线科技股份有限公司 | 一种用于doris的数据增量统计方法、装置、设备及存储介质 |
-
2022
- 2022-09-29 CN CN202211204837.9A patent/CN115630127A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520408A (zh) * | 2023-11-01 | 2024-02-06 | 广州市玄武无线科技股份有限公司 | 一种用于doris的数据增量统计方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111049878B (zh) | 微服务调用链具象化的方法、装置、电子装置及存储介质 | |
CN109947495A (zh) | 应用程序预加载方法、装置、存储介质及移动终端 | |
CN109684161A (zh) | 数据分析方法、装置、服务器及存储介质 | |
CN111861225B (zh) | 一种任务分配方法、装置、电子设备及存储介质 | |
CN114036390A (zh) | 场景服务推荐方法、装置、电子设备以及存储介质 | |
CN115630127A (zh) | 车机数据的分析方法、装置、存储介质及车辆 | |
CN110287356A (zh) | 一种用于人脸识别算法引擎的评测、调用方法和系统 | |
CN103488525A (zh) | 确定与情景相关的用户偏好 | |
CN111600993A (zh) | 一种根据短信进行行程提醒的方法和装置 | |
CN110807542A (zh) | 智能编排系统业务能力的方法、装置和计算机可读存储介质 | |
CN113312529A (zh) | 一种数据可视化方法、装置、计算机设备及存储介质 | |
CN103118156B (zh) | 一种闹钟设置方法及相关设备 | |
CN105224394B (zh) | 一种应用程序的分类方法及装置 | |
CN114998068B (zh) | 学习计划的生成方法及电子设备 | |
CN115757442A (zh) | 用户列表的更新方法、用户列表的显示方法及程序产品 | |
CN114691335A (zh) | 任务调度处理方法、装置、计算机设备和存储介质 | |
CN114896482A (zh) | 一种模型训练和补能意图识别方法、装置、设备及介质 | |
CN114187775A (zh) | 基于大数据的停车位推荐的方法、装置、设备及存储介质 | |
CN116467153A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN107729087B (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
CN112054926A (zh) | 集群管理方法、装置、电子设备及存储介质 | |
CN111143328A (zh) | 一种敏捷商业智能数据构建方法、系统、设备、存储介质 | |
CN116227889B (zh) | 共享车辆的挪车方法、装置、计算机设备和存储介质 | |
CN110389805A (zh) | 一种信息展示方法、装置、设备及存储介质 | |
CN117827053B (zh) | 多尺寸多类型卡片的处理方法、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |