前言

目前出行市场主要分为传统和新兴两个阵营：私家车、公共交通、出租车和长租车为传统出行提供服务，共享单车、网约车以及分时租赁共享汽车则是最近几年兴起的出行方式。

_图1 出行方式分析_
出行者往往是在成本和出行便捷之间权衡选择出行方式。从出行距离来看，在0～10公里以内，共享单车、网约车以及出租车兼具了低成本以及灵活性两个优势，所以往往是出行者的首选。超过100公里以上，私家车以及长租车则会显现其便捷性。但是在10～100公里之间，则存在一个出行服务真空市场。另外，在一二线城市中，10公里以上的出行需求还是非常大的，加上近几年国家的政策导向，国内出现了很多共享汽车租赁平台。按照罗兰贝格估算，2025年有600万辆分时租赁汽车，每辆车每天3-4单，日订单量约2000万单。这个行业还是具备很大的潜力。

本文主要介绍如何基于Tablestore的Timestream来快速实现共享汽车管理平台的数据存储。

需求分析

_图2 共享汽车管理平台需求_
对于出行者来说，使用共享汽车的流程主要是租车、用车以及还车：

租车：对车辆进行检索，比如说查询附近的空闲车辆，根据车型、续航进行过滤等；
用车：操作驾驶车辆，在这个过程中为了方便平台管理以及后续的订单计费，往往会对车辆的实时监控信息进行上传，比如说轨迹、时速、续航等信息；
还车：结束并且计算订单费用，后续提供订单检索以及相关信息查询，比如费用、轨迹、车辆等信息；

对共享汽车管理平台来说，其核心功能则是车辆管理和订单管理：

车辆管理：车辆的元信息和当前状态管理，提供给出行者查找满足需求的车辆，也方便平台进行车辆调度；另外，需要保存车辆轨迹信息，便于实现订单计费以及轨迹查询；
订单管理：对订单进行计费，以后提供给用户进行检索

另外，作为管理平台，还需要对订单以及车辆的业务数据进行分析，调度车辆来更好的满足出行者的需求，最大化车辆使用率，比如说什么区域出行需求很大，经常导致供不应求需要提供更多的车辆等。

从上面的分析可以看到，共享汽车管理平台主要需要存储车辆和订单两部分数据，其中车辆包含了元信息（车牌、车型、颜色等）、行车轨迹、状态（车速、是否使用中等），订单则包含了车辆、用户、时间、状态等信息。下面对这些数据进行分析：

车辆元信息：数据量取决于车的数量，大概会有几十万～几千万的量，并且需要对这部分数据进行多条件检索；
车辆轨迹&状态：这部分数据的规模是非常大的，假设车辆行驶过程中10s上传一个监控点，那么平均每秒则会有几万～几百万的数据写入，一天下来十亿甚至百亿级的记录；这部分是典型的时序数据，为了降低存储成本，往往需要数据生命周期的管理；
订单：平均每天每辆车会3～6单，那么一天则会有百万甚至千万级的订单，数据量也是非常庞大的，另外，还需要实现复杂的数据检索能力；

从上面的分析可以看到，为了满足海量的订单以及车辆监控数据的存储需求，极高的写入吞吐、海量存储规模、可控的存储成本成为必须要解决的问题。

解决方案

传统解决方案

_图3 传统解决方案_
上面是共享汽车平台的传统解决方案，用MySQL来存储车辆基本信息，订单信息、轨迹以及状态数据由于数据规模比较大，其存储是经过流计算分析后写入到hbase中，在同步到solr提供数据检索能力。这个架构存在以下不足之处：

架构：使用多种数据存储产品，系统相对复杂，并且MySQL和HBase都需要全自主运维，复杂度很高；
规模&扩展性：MySQL无法支撑大规模的数据存储，并且为了满足数据多条件检索需求，可能需要创建多个索引，效率较低；
稳定性&数据可见延迟：轨迹、订单以及状态数据在经过流计算引擎分析之后才写入HBase最终同步到solr，整个链路非常长，稳定性有一定风险，并且数据经过流计算后才能写入到数据库中，可见性存在一定的延迟；
成本：MySQL/HBase均不是存储计算分离的产品，并且是按实例/机器购买，需要根据业务的峰值购买资源，成本较高；

在这个场景中，主要包含了三个数据存储需求：关系型数据、大规模时序数据以及大规模数据检索，在传统解决方案中，使用了三种不同的服务来满足业务需求，但Tablestore作为一款阿里自研的分布式NoSQL服务，提供多元索引支持丰富的查询需求，支撑超大规模的并发访问和低延迟的性能，可以很好的满足这三个需求。

基于Tablestore解决方案

_图4 基于Tablestore解决方案_
上图则是基于Tablestore的系统架构，数据直接写入到Tablestore，在通过通道服务将数据增量流出到函数计算进行事件监测，以及流到流计算系统进行后计算，再将计算之后的结果写回到表格存储中。相比传统架构，该架构有以下优势：

使用单一数据库满足业务需求，架构简单，全托管零运维；先存储后计算，数据可见延迟低
提供PB级的存储，每秒千万级的写入，以及千万级的元数据检索能力
提供完整的时序模型，实现车辆状态数据和元数据统一存储方式，降低开发使用成本
弹性资源，存储自动扩容，计算自动扩展，自动热点处理，高效负载均衡
数据生命周期管理、冷热数据分层、按量付费、存储计算分离等功能，有效降低成本
完整计算生态：无缝对接流计算、即席计算以及离线计算，形成数据闭环

如何实现

前面分析过在共享汽车管理平台中，核心数据包含了车辆元数据、轨迹&状态数据，以及订单数据。其中订单数据的实现可以参考：《基于Tablestore打造亿量级订单管理解决方案》。

另外，车辆元数据、轨迹&状态数据的存储适用于用Timestream模型来快速高效的实现。Timestream是表格存储推出的最新数据模型，这个模型针对时序数据、轨迹数据、溯源数据，定义了一套简单清晰易用的API，细节可以参考《Tablestore Timestream：为海量时序数据存储设计的全新数据模型》。

模型映射

车辆元数据，顾名思义，就是Timestream模型中的元数据（Meta），车辆轨迹&状态数据则是Timestream的Data数据点。

从上面的Timestream介绍文章可知，Timestream拥有几个核心概念，分别是：Name, Tag, Attribute, Timestamp, Point(Fields)。我们罗列一个表格，展示怎么将车辆的相关数据映射到Timestream的模型中，如图所示：

图5 数据模型映射

分类(Name)+标识符(Tag): 这两个字段唯一确定一辆车，包含平台信息、车辆ID；
元数据(Attribute): 车辆的相关属性，车辆的一些属性信息，比如车型、车牌号、颜色、乘坐人数等；
最新状态数据(Attribute): 如标题，车辆最新的状态，比如上面的‘地点’信息，我们可以创建Geo的索引，可以根据地理信息的查询；
时间(Timestamp): 状态/轨迹数据的发生时间；
轨迹、时速、状态: 具体的状态数据，上面只是三个示例，实际上可以支持非常多的字段，由业务决定；

接下来我们通过一个可以运行的Demo，向大家展示怎么使用Timestream API快速实现车辆轨迹、状态管理功能。

功能实现

功能列表

写入

车辆接入平台，以及元数据更新，将车辆的相关元数据存储至Timestream，并更新其轨迹&状态数据
车辆运行轨迹与状态持久化，便于后续进行订单轨迹查询，以及后台实时进行分析，比如说订单是否出现异常

查询

检索附近的空闲车辆
根据车型和续航等条件进行车辆检索
车辆轨迹重放

依赖

        <dependency>
            <groupId>com.aliyun.openservices</groupId>
            <artifactId>tablestore</artifactId>
            <version>4.11.2</version>
        </dependency>

Meta表的创建

对于一些固定且有特殊索引需求的字段，我们在创建Meta表的时候需要单独指定，比如续航、地理信息、状态数据等。
以下示例只是给了部分元数据字段，用户可以根据自己的需求设置更多的索引字段。

public void createMetaTable() {
    db.createMetaTable(Arrays.asList(
      new AttributeIndexSchema("地区", AttributeIndexSchema.Type.KEYWORD),
      new AttributeIndexSchema("车型", AttributeIndexSchema.Type.KEYWORD),
      new AttributeIndexSchema("车牌", AttributeIndexSchema.Type.KEYWORD),
      new AttributeIndexSchema("颜色", AttributeIndexSchema.Type.KEYWORD),
      new AttributeIndexSchema("座位", AttributeIndexSchema.Type.LONG),
      new AttributeIndexSchema("续航", AttributeIndexSchema.Type.LONG),
      new AttributeIndexSchema("状态", AttributeIndexSchema.Type.KEYWORD),
      new AttributeIndexSchema("当前位置", AttributeIndexSchema.Type.GEO_POINT)
    ));
}

Data表的创建

这个比较简单，只需要设定表名即可。因为我们是Schema Free的体系，不需要预先指定列，在写入的时候指定即可。

public void createDataTable() {
    db.createDataTable(dataTableName);
}

数据写入

车辆元数据写入

车辆元数据写入包含两个部分，第一个是车辆接入平台时，将完整的信息写入；第二个是后续状态数据发生变化时，按需更新元数据中的最新状态。

public void writeMeta() {
        TimestreamIdentifier identifier = new TimestreamIdentifier.Builder("*滴")
      .addTag("ID", carNo)
      .build();

      // 插入车辆信息
    TimestreamMeta meta = new TimestreamMeta(identifier)
      .addAttribute("地区", "杭州")
      .addAttribute("车型", "奇瑞EQ1")
      .addAttribute("车牌", "浙AD75138")
      .addAttribute("颜色", "白")
      .addAttribute("座位", 4)
      .addAttribute("续航", 120)
      .addAttribute("当前位置", getRandomLocation())
      .addAttribute("状态", "闲置");
    metaWriter.put(meta);
  
      // 更新车辆元数据的最新状态
      meta = new TimestreamMeta(identifier)
      .addAttribute("当前位置", getRandomLocation())
      .addAttribute("状态", "使用中");
    metaWriter.update(meta);
}

车辆状态&轨迹数据写入

public void writeData() {
        TimestreamIdentifier identifier = new TimestreamIdentifier.Builder("*滴")
      .addTag("ID", carNo)
      .build();
  
    TimestreamDataTable dataWriter = db.dataTable(dataTableName);
  
    Point point = new Point.Builder(1546272000, TimeUnit.SECONDS)
      .addField("位置", "30.1457580736,120.0563192368")
      .addField("车速", 30)
      .addField("续航", 100)
      .build();
  
      dataWriter.asyncWrite(identifier, point);
}

数据查询

检索附近的空闲车辆

这里根据车辆平台、地区、当前位置，以及状态的状态检索可用的车辆。

Filter filter = and(
        Name.equal("*滴"),                                
        Attribute.equal("地区", "杭州"),              
        Attribute.inGeoDistance("位置", "30.1457580736,120.0563192368", 1000),           
        Attribute.equal("状态", "闲置")  
);

Iterator<TimestreamMeta> iter = metaTable.filter(filter).fetchAll();
while (iter.hasNext()) {
    TimestreamMeta m = iter.next();
    System.out.println(m);
}

根据车型和续航检索车辆

Filter filter = and(
        Name.equal("*滴"),                                
        Attribute.equal("地区", "杭州"),                     
        Attribute.equal("车型", "奇瑞EQ1"),           
              Attribute.inRange("续航", 200, Long.MAX_VALUE),
        Attribute.equal("状态", "闲置")
);

Iterator<TimestreamMeta> iter = metaTable.filter(filter).fetchAll();
while (iter.hasNext()) {
    TimestreamMeta m = iter.next();
    System.out.println(m);
}

查询车辆在某个时间段内的轨迹

TimestreamIdentifier identifier = new TimestreamIdentifier.Builder("*滴")
        .addTag("ID", carNo)
        .build();

Iterator<Point> iter = dataTable.get(identifier).select("位置").fetchAll();
while (iter.hasNext()) {
    Point p = iter.next();
    System.out.println(p);
}