大数据分析助迈凯轮车队角逐F1

简介:

ZDNet至顶网软件频道消息(文/蒋湘辉):在风靡全球的一级方程式赛车(F1)运动中,车手的经验和状态,赛车发动机、刹车和轮胎的性能以及赛事规则的调整是影响比赛成绩的最主要因素。而在大数据时代来临之际,数据分析也已经成为迈凯轮车队角逐F1赛场的新武器。

在4月举办的F1上海大奖赛期间,迈凯轮车队工程总监Matt Morris在接受ZDNet采访时表示,“迈凯轮的核心业务是 F1 赛车,作为一项数据密集型运动,它对技术的灵活性和持续性提出了很严格的要求,在每个周末举办的分站赛上,我们都要基于数据收集和评估的结果,为两名车手——巴顿(Jenson Button)和马格努森(Kevin Magnussen)设计并制定比赛策略,包括赛车的空气动力装置、赛车轮胎的合成材料及时间,以及进站时间点的安排。”

大数据分析助迈凯轮车队角逐F1

图注:迈凯轮车队工程总监Matt Morris(右)和Luke(左)接受采访(蒋湘辉 摄)

每辆赛车通过200个传感器产生10GB数据

Matt Morris表示,在大奖赛的每条环形车道、练习或测试部分,我们的 F1赛车都会生成数量庞大的性能数据。能够处理这类数据、并迅速及时地采取行动,对于生成能够扭转比赛结果的智能指令至关重要。在为期三天的周末比赛中,每辆赛车产生的数据在压缩后也多达10GB,而每一个分站赛事所产生的信息总量则超过3TB。

“每一辆F1赛车上会有200余个传感器,这些传感器监控的主要参数包括:每辆赛车在赛道上的位置、赛车的速度、赛车的档位情况、发动机转速、油门和刹车承受的压力、赛车承受的重力、赛车中各种流体的压力(包括液压、水压、油压、轮胎气压以及燃料压力)、轮胎温度、刹车温度、刹车磨损情况、燃油油位以及动能回收系统(KERS)的电池电量。”

“团队在车库能够对这些传感器进行监控,确保每辆赛车保持最佳性能,并在出现故障或需要做出调整以提升赛车性能时,向赛车手提出预警。此外,所有赛车手都会收到一份包含每圈赛况的打印资料,以便他们了解自己在哪些环节超越或者落后于队友。”

大数据分析助迈凯轮车队角逐F1

 

图注:在上海F1大奖赛维修区出发的22号迈凯轮车手巴顿(蒋湘辉 摄)

通过SAP HANA调用数据从一小时缩短到9秒

由于F1赛事产生的数据量非常大,迈凯轮车队对IT系统的要求也有很高。据悉,迈凯轮车队的母公司迈凯轮集团早在10年前就部署了SAP的ERP系统来管理集团的人事、财务等核心业务,而2012年5月,该集团还决定采用SAP的HANA、移动应用方案和云计算服务。据悉,迈凯轮车队使用HANA后,可在更短的时间内获取更全面和准确的信息,并通过比较历史数据发现问题,使车手专注于如何在未来的比赛中获胜。

”SAP的HANA系统非常好用,比如来上海比赛前,我们在英国总部想看前一年上海站在32圈第9个弯道发生了什么事情,那辆赛车的车况,SAP将会帮助我们在9秒钟之内将所有的数据显示出来,而在部署SAP HANA之前差不多需要1个小时才能展示这些数据。“迈凯轮车队工程部人员Luke表示,“我们每年在匈牙利站比赛时都在夏天,地表温度经常会超过50摄氏度,而F1赛车的刹车通常在一千度时就不能使用,车手就需要根据地表温度数据来控制刹车系统。”

Luke还告诉ZDNet记者,“一般来说一辆F1赛车上的各种零件要超过1万种,这些零件需要经常更换以保证每一个零件在用的时候都在它最好的状态。所以我们也用SAP系统来跟踪每个部件的保质期及使用时间。” 

大数据分析助迈凯轮车队角逐F1

图注:在上海F1大奖赛维修区出发的20号迈凯轮车手马格努森(蒋湘辉 摄)

2015年有望部署移动方案

Matt Morris还透露,目前迈凯轮车队在英国总部大约有200位数据工程师,以往去飞往世界各分站赛事的随队工程师数量大约为20人左右,而部署SAP的HANA和云计算方案后,随队工程师的人员已经可以减少到10~12人。

据悉,从比赛开始,迈凯轮的工程师团队的工作人员便开始监控赛车和来自大赛组织者的所有实时遥测数据,并利用预测分析决定团队在各种可能出现的场景中应采取的对策。该预测分析流程会随着比赛进程的推进自行更新,因此,一旦赛道上有事故发生,任务控制中心的团队便能立即告知比赛团队应采取的措施,而无需比赛团队自己花时间去考虑如何应对。

Matt Morris还告诉ZDNet记者,由于数据量巨大,该车队的数据目前还不能在移动终端上全面展示,不过该车队有望2015年能够部署上线移动解决方案。

大数据分析助迈凯轮车队角逐F1

 

图注:迈凯轮车手巴顿在比赛中的实时数据会在这些终端上显示。据迈凯轮工作人员介绍,由于同一车队的两名选手也存在竞争关系,所以在随队比赛的十余名数据工程师中,只有两名工程师可以同时看到两名选手的数据。(蒋湘辉 摄)

原文发布时间为:2014年04月23日
本文作者:蒋湘辉
本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。
目录
相关文章
|
2月前
|
存储 机器学习/深度学习 SQL
大数据处理与分析技术
大数据处理与分析技术
182 2
|
3月前
|
SQL 消息中间件 分布式计算
大数据-124 - Flink State 01篇 状态原理和原理剖析:状态类型 执行分析
大数据-124 - Flink State 01篇 状态原理和原理剖析:状态类型 执行分析
100 5
|
29天前
|
机器学习/深度学习 数据可视化 大数据
机器学习与大数据分析的结合:智能决策的新引擎
机器学习与大数据分析的结合:智能决策的新引擎
152 15
|
1月前
|
SQL 分布式计算 DataWorks
DataWorks产品测评|基于DataWorks和MaxCompute产品组合实现用户画像分析
本文介绍了如何使用DataWorks和MaxCompute产品组合实现用户画像分析。首先,通过阿里云官网开通DataWorks服务并创建资源组,接着创建MaxCompute项目和数据源。随后,利用DataWorks的数据集成和数据开发模块,将业务数据同步至MaxCompute,并通过ODPS SQL完成用户画像的数据加工,最终将结果写入`ads_user_info_1d`表。文章详细记录了每一步的操作过程,包括任务开发、运行、运维操作和资源释放,帮助读者顺利完成用户画像分析。此外,还指出了文档中的一些不一致之处,并提供了相应的解决方法。
|
1月前
|
分布式计算 DataWorks 搜索推荐
用户画像分析(MaxCompute简化版)
通过本教程,您可以了解如何使用DataWorks和MaxCompute产品组合进行数仓开发与分析,并通过案例体验DataWorks数据集成、数据开发和运维中心模块的相关能力。
|
2月前
|
机器学习/深度学习 存储 大数据
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系,保留最大方差信息,实现数据压缩、去噪及可视化。本文详解PCA原理、步骤及其Python实现,探讨其在图像压缩、特征提取等领域的应用,并指出使用时的注意事项,旨在帮助读者掌握这一强大工具。
134 4
|
2月前
|
关系型数据库 分布式数据库 数据库
PolarDB 以其出色的性能和可扩展性,成为大数据分析的重要工具
在数字化时代,企业面对海量数据的挑战,PolarDB 以其出色的性能和可扩展性,成为大数据分析的重要工具。它不仅支持高速数据读写,还通过数据分区、索引优化等策略提升分析效率,适用于电商、金融等多个行业,助力企业精准决策。
46 4
|
2月前
|
机器学习/深度学习 分布式计算 算法
【大数据分析&机器学习】分布式机器学习
本文主要介绍分布式机器学习基础知识,并介绍主流的分布式机器学习框架,结合实例介绍一些机器学习算法。
339 5
|
2月前
|
存储 监控 数据挖掘
【Clikhouse 探秘】ClickHouse 物化视图:加速大数据分析的新利器
ClickHouse 的物化视图是一种特殊表,通过预先计算并存储查询结果,显著提高查询性能,减少资源消耗,适用于实时报表、日志分析、用户行为分析、金融数据分析和物联网数据分析等场景。物化视图的创建、数据插入、更新和一致性保证通过事务机制实现。
296 14
|
2月前
|
消息中间件 分布式计算 大数据
数据为王:大数据处理与分析技术在企业决策中的力量
【10月更文挑战第29天】在信息爆炸的时代,大数据处理与分析技术为企业提供了前所未有的洞察力和决策支持。本文探讨了大数据技术在企业决策中的重要性和实际应用,包括数据的力量、实时分析、数据驱动的决策以及数据安全与隐私保护。通过这些技术,企业能够从海量数据中提取有价值的信息,预测市场趋势,优化业务流程,从而在竞争中占据优势。
195 2