基于Storm的车辆实时预警功能

陈鹏飞　苏万德　韦通明　谭倚靖　张亮

【摘  要】随着人们生活水平不断提高，车辆总数迅速增加，道路交通安全成为了一个必须妥善解决的社会现象。该如何及早发现常见故障、如何有效把握车辆状况、如何做到汽车提前预警，确保驾驶员安全性成为了大家需要考虑的问题。基于以上难题，应用大数据Storm技术的预警功能应时而生。本文介绍预警标准、数据周期时间、数据清洗及计算节点。

【关键词】提前预警；大数据技术Storm；预警功能

中图分类号：U463.6    文献标志码：A    文章编号：1003-8639（ 2023 ）09-0040-03

Real-time Vehicle Warning Based on Storm

CHEN Pengfei，SU Wande，WEI Tongming，TAN Yijing，ZHANG Liang

（SAIC GM Wuling Automobile Co.，Ltd.，Guangxi Laboratory of New Energy Automobile，

Guangxi Key Laboratory of Automobile Four New Features，Liuzhou545007，China）

【Abstract】With the continuous improvement of people's living standard，the number of vehicles is increasing rapidly. Traffic safety has become a social problem that needs to be solved as soon as possible. So，how to find the fault in time，how to better grasp the car condition，how to realize the car active warning，to ensure the safety of drivers has become a problem that we need to consider. Based on the above problems，the early-warning function technology using the big data Storm technology comes into being. This paper introduces active warning standard，data cycle time，data cleaning and computing nodes.

【Key words】active warning；big data Storm；early warning function

作者簡介

陈鹏飞（1998—），男，数据项目工程师，研究方向为产品经理与项目管理。

1  科学研究背景与作用

1.1  选题背景

目前，伴随着都市化发展和车辆的兴起，各种各样交通出行问题凸显。交通堵塞、交通事故频繁发生造成交通状况日益恶变。伴随着专家对各种各样汽车交通事故的解读数据显示，全部交通事故中，80%的原因是因为驾驶员没有及时反应或操作失误造成的。其中，汽车追尾事故撞击占这一类事故的65%，侧边撞击、擦挂这一类事故占35%。专家学者对各种交通事故展开了系统化深入研究，最终得到的结论为：只需驾驶员可在事故产生前提早1s意识到了汽车出现异常或危险来临，就能及时反应并制定相对应的恰当对策，从而减少绝大部分的事故产生。因此，为减少驾驶员的压力和避免不必要的错误行为，全力科学研究开发汽车提前预警安全技术，提升交通安全，是非常有必要的。

有人会说，目前汽车的自动驾驶发展这般快速，是否能通过无人驾驶来防止交通事故的产生。本质上是合理的，但人的驾驶行为是一个相对高度智能的过程，尽管目前学界花了很多的心思去研究无人驾驶，也取得了一定实际效果，但是就现阶段人工智能技术性来讲，还不能建立一个确定的模型以全面真实地体现安全驾驶全过程，因而，现阶段没法依靠智能驾驶技术的某个功能，如全自动转弯、主动制动等，来预防交通事故。就目前而言，提早的汽车预警是很切实可行的技术方案。

1.2  研究意义

所谓的汽车提前预警技术，具体指的是事故前“安全性”，通过防范和规避，降低事故发生的可能。以往，大家在规划汽车时，关注的关键在于被动属性的安全性保障措施，如设定汽车安全气囊、保险杠、保险带等。而如今汽车工程师们大量考虑到的则是主动安全系统预警技术，使汽车可以自己“思索”，提前预警或采取相应保障措施，防止交通事故的产生。而主动安全系统预警技术又可以分为两类：防止安全技术和事故安全技术。①防止安全技术包含：车辆状况、实时路况检测、车载式视觉效果提高、驾驶员状态检测、自主导航；②事故安全技术包含：安全性报案和驾驶人员操控性提升。

本论文主要研究内容为基于Storm的车辆实时预警功能。根据Storm的实时流数据处理来确保预警的时效性，通过数据清洗及其Storm的计算逻辑性来确保预警的准确性，灵活运用如今云计算技术等行业的研究成果，设立了汽车提前预警行为模型，完成对汽车情况的实时检测，如汽车的前后撞击预警、无法上髙压预警、亏电预警这些。一旦发现车辆有什么问题或附近有障碍物将要造成撞击，便立即向驾驶员传出报警，使驾驶员快速采用正确的操作，从而减少事故的产生。该研究成果有极为重要的实际意义和广泛的应用前景，极大地提高了人们的用车体验、保证了人们的驾车安全，有重要的社会效益和经济效益[1]。

1.3  研究动态

现阶段，各种各样主动安全系统装置相继问世，防抱死系统制动系统软件（ABS）、制动智能辅助系统（BAS）、电子器件传动系统（EBS）、推动调节方式（ASR）、车载雷达和超声波防滑装置等。这些装置充分展现了制动高效率，提升了汽车的机动性和加速全过程的可靠性，在一定程度上确保了驾乘人员的安全。

预防措施远比保障措施来得更高效，主动安全预警技术通过预防将保护提前到事故发生以前，在保护的前提下更加重视预防。而云计算技术的探索促使通过数据可以使车辆具备“智能化”，能感受外部，可以自己“思索”，可以自己“讲话”，主动预警，从而使驾驶人员立即采取有效措施，防止事故的发生[2]。

2  技术以及基础知识简述

2.1  什么叫Storm

Storm是一个完全免费并开源的分布式实时大数据管理系统，被业界称之为实时版Hadoop。但随着越来越多的应用领域给出了实用性的需求，如实时大屏幕、智能推荐系统、即时预警系统、金融体系等，Hadoop的MapReduce由于高延迟慢慢被取代。随之而来的就是大数据技术并行处理科技的爆发式增长，到现在已经是分布式技术行业的爆发点，而Storm更是流计算技术中的佼佼者和主流。

在Storm出来之前，做并行处理是很困难的，绝大部分精力都用在了怎样保证每日任务完成、信息怎样保证次序，而真正的业务逻辑只占代码的一小部分，且整个系统十分脆弱没有可扩展性，需要自己去保证线程池和worker进程运行正常。而Storm轻松地解决了各种问题，能够让你专心地去完成即时业务的业务逻辑，无需耗费额外的时间来处理这一系列问题。

2.2  Storm的应用场景

Storm一般用于对实时性要求相对较高的地方，比如实时分析、在线机器学习算法、持续计算、ETL等，实际的应用则是实时推荐系统、金融体系、实时预警系统软件、实时大屏、实时交通路况系统软件等，因此基于Storm的车辆实时预警功能，从实时性而言是能够实现的。

2.3  Storm的一些特點

1）可扩展性：Storm适宜横向扩展，可扩展性高，1s可解决很多信息。集群中真正运转的主要有3个实体线：线程、任务和工作进程。要扩展一个实时任务，需要做的就是提升设备及任务的并行性。Storm应用ZooKeeper来融洽集群中的很多配置，促使Storm集群能够轻松扩展。

2）保证数据信息无遗失：实时系统务必保证每一条数据被成功地处理，而Storm能够保证每一条消息都能被处理。

3）易管理方法：Storm集群重新启动节点不影响应用，很容易管理。

4）高容错性：Storm会保证一个处理单元始终运行。若是在信息处理过程中出现了一些异常，Storm将进行重试。

5）支持多种计算机语言：Storm的Topology和消息处理组件能用一切语言来定义，我们不仅可以用Java，还可以使用别的它们所熟悉的计算机语言。

2.4  Storm的一些组件

Storm集群和Hadoop集群在表面上十分相似，可是，Hadoop运行MapReduce工作，而Storm运行拓扑，这是根本不同类型的。一个重要的区别在于：MapReduce工作最终都会结束，而拓扑会永远运行。

Storm集群根据 Zookeeper开展融洽，由一个主节点和一组工作节点构成。

每一个工作节点运行一个名为Supervisor的节点。Supervisor会监听分派给它这台设备的工作，并根据需求运行/关掉工作进程。每一个工作进程实行一个拓扑子集合，运行里的拓扑由运行在很多设备上的工作进程构成。Storm组件关系见图1。

1）Nimbus是主节点。关键负责管理，用以协调、监管、任务分派这些。

2）Supervisor是工作节点。主要等候主节点的工作分派，并基于规定运行工作进程。

3）Zookeeper是Storm中的一个重要组件，主要用于协调一个集群里的配置信息。

4）Worker是运行实际处理组件逻辑的进程。

3  预警标准

开展预警的第一步，首先就要确立预警标准，而如何制订出一套预警标准，就必须要先确立预警的需求场景，考虑到一个场景内所有的可能，进而去判断出预警的开始条件和退出条件。

预警标准一般是由预警的开始条件、开始持续时长、退出条件和退出持续时长构成。汽车主动提前预警的形成由预警的开始条件和开始持续时长相互配合产生，实际就是指可以通过大数据分析车辆状况，当符合一定的前提条件且持续了一定的时长就判断该规则相对应的零件出了问题，进而发出预警。预警的退出也是一样的道理。

预警规则的制定一般需要各个业务部门提供数据，为了确保预警的准确性，一条预警规则的形成通常早期都要通过大量的局部性测试验证，保证预警准确度超过90%以上才可以正式应用。

有些情形可以直接发布预警；有些情形可以先进行预警分析，依据预警级别再决定是否发布预警。

预警规则按类型一般可分成亏电报警、SOC低报警、高压互锁情况报警、轮胎气压系统异常报警等。按预警等级还可以可分为一级报警、二级报警、三级报警，预警的级别从触发的临界点来确定，如图2所示。

4  基于Storm的车辆实时预警功能

4.1  预警详细介绍

通过预警管理体系结合大数据技术，初步形成了对时速、电机环境温度、充电电池等的预警种类，在达到预警规则的临界点时触发预警，实现汽车的主动提前预警，并及时通知驾驶人员。

在其中为了方便管理人员更好地对预警规则进行维护，我们创立了预警功能版块，一个可视化的预警规则配置页面。与此同时，该网页页面还可以实时查看所发生的预警信息，用于实现预警信息的即时分发。

整个技术以Storm为核心，确保了数据的实时性、有效性、序列性，从而使车辆的主动预警功能实时、稳定且准确。

4.2  数据周期时间

车辆的实时预警功能是根据车辆数据与预警规则去判定的，数据的全生命周期如图3所示。数据从T-BOX采集到数据接收端以后，存到Kafka里，在Storm实时集群里进行数据的解析、统一的清洗、加工得到预警结果数据，随后将预警结果推送到外部平台，再由外部平台推送给用户。这一系列的操作在Storm中用很短的时间去完成，完全可以達到实时预警的功能。

4.3  数据清洗

数据清洗的概念是再次检查验证数据的全过程，即删除重复信息，改正目前不正确的信息，提供数据一致性，以上就是百科中数据清洗的概念。以个人的角度来看，数据清洗就是通过设置的清洗规则将“脏数据”替换成“高品质数据”的过程。脏数据需要人为进行判定，通过设置对应的清洗规则来将人为判定的“脏数据”进行清洗，一份数据在不同的场景下可能有不同的数据价值，所以不能一概而论，不论场景将这一类数据都认为是“脏数据”，而是要根据不同的场景去设置对应的清洗规则。

为了避免“脏数据”影响人为预警的正常判定，数据在被用来做预警判定之前都会进行一轮清洗，其中包括了数据有效性的检验、未来数据的判定、过期数据的判定等。

4.4  计算节点

当数据清洗完以后就进入到了Storm计算预警的逻辑环节。在这里预警的类型会分为两大类，一类是次数性满足，当触发了预警规则临界点达到规定的次数后报警；另一类是持续性满足，当触发了预警规则临界点达到规定的持续时长以后触发报警。不管是哪种预警，都必须是连续满足，即连续满足预警条件，如果中途有不满足预警条件的数据，则不会触发预警。这样的做法是为了避免很多无效的预警出现，因为车辆的数据经常会产生跳变，如果不设置持续性满足，则用户会收到很多无效的预警，从而降低预警的准确率。

5  结论

从以上内容进行归纳总结，基于Storm的实时流数据处理功能保证预警的即时性，根据数据清洗及Storm的计算逻辑性来确保预警的准确性，基于Storm的车辆实时预警功能可以通过实时监测和后台管理大数据分析对监测到的风险信息进行风险等级划分，并推送给用户，进而用户可提早中止出行并将车带去修理店开展安全检查。这个功能一方面可以有效预防事故产生、抵制驾驶人员危险驾驶行为，另一方面可以大大地减少管理人员管控的时间与精力成本，进而在更具难度系数、创造性的工作上绽放光芒。

参考文献：

[1] 王鑫. 面向车联网的车辆后端碰撞实时预警策略研究[D]. 辽宁：大连理工大学，2021.

[2] 宫振飞. 面向辅助驾驶的实时行人车辆检测预警算法研究[D]. 武汉：华中科技大学，2020.

[3] 刘国清. 驾驶辅助系统及车辆实时预警提醒方法：中国，2015109804652[P]. 2019-04-19.

（编辑  杨凯麟）