智能运维—特来电的大数据之路

我们可以说是在风口浪尖上，赶上了一个大数据技术革新的时代。我们在数据管理上，以运营数据以及物联网数据为主进行了一个融合性的处理，形成我们的大数据动力平台。我们通过统计报表分析、机器学习、人工智能等方式，把大数据应用领域里的设备运维、车辆保养等数据共享给我们的合作伙伴。

在去年，针对电动汽车的使用者，我们从职业、日均行驶里程、关注点及充电频度四个角度，对充电人群进行了深入研究。职业上，我们收集了专车司机、公交车司机、出租车司机，也涵盖了企事业单位、个体经营、服务业、工人、自由职业者等。日均行驶里程，我主要统计了20公里之内、20～50公里，50～100公里、100公里以上。充电频度，有的人有续航恐惧，要一天一充；有的人悠哉游哉，就三天一充，甚至更长的时间。充电时，我们考察了安全、价格、速度、位置这几个维度。

我们做了一个关于用户的大数据画像分析。这样，通过对用户画像的数据分析，我们能看出来，日均行驶里程的数据及位置决定了我们充电桩的布局。充电频度的诉求，决定了我们对快充、慢充的投入比例。安全第一，还是价格第一，这决定了我们的技术研发方向的发力点。

有了这些基本的内容，结合实际发展情况，通过机器学习以及复杂的模式算法，我们就有了比较准确的数字，来指导我们的电站建设。

我们做了一个模拟青岛市电站建设热度的概况图，结合青岛六个区的情况，预测出来的特来电指数结论是，对于将来的建设方向，应该继续向人口密度大、经济条件较好的市南区、市北区倾斜。

通过基于大数据的特来电指数的对比，并通过城市网格图的直观对比，不仅可以对目前的充电网建设情况了然于胸，更可以对建设将来更加完善的5公里充电圈甚至是3公里充电圈，提供直接的指导建议。

通过模拟全国的热力图分布可以看到，目前特来电的充电终端主要集中在华东、华中、华南地区，在西部和东北地区分布较少。而在太原和武汉，这两地的政府营运车辆推广力度较大，热力需求比较大。所以，只要国家前期在营运车辆上保证投入力度，就可以促进整个充电行业的健康快速发展。

由此我们可以看到，基于大数据的特来电指数，对特来电自己在公司运营、电站选址等方面，发挥了巨大的作用。

面向特来电的用户，大数据又能发挥什么作用呢？我们做过一个预估，按照国家的规划，2020年将有500万辆电动汽车运行，每天有20亿笔数据发生，这些数据量高达50TB，这要求后面的支撑系统达到50毫秒的响应时间。

如果想做修车，首要面对的就是这些惊人数字的挑战。如何处理这些海量的数据？如何快速地存储、读取这些有用的信息？如何快速响应？

通过每天充电积累的车的电气数据、运行数据、环境数据，打造汽车工业大数据平台。为电动车主提供车辆维修、保养、配件、保险等数据服务和增值服务。为电动车企、电池企业，上下游相关企业在产品设计、优化、评价等方面提供数据服务。

我们看一下基于大数据的特来电大数据修车解决方案。

数据来源上，主要是四个部分，车子跑起来的数据，包括用户驾驶习惯、电机数据、电池数据；车辆在充电时的数据，包括电压、电流、状态、温度等；互联互通别人家的数据，包括第三方电桩的数据；以及第三方网站上的一些参考信息。

这些海量的数据，经过网络传输到云平台，经过数据采集、实时处理、持久化、ETL，通过学习型的专家系统，形成了八大模型。专家库中的这些模型，包括汽车诊断模型、智能充电模型、安全驾驶模型、汽车预警模型、电池故障模型、电池预警模型、电池寿命模型、机器学习模型。

我们目前利用了多达86种的模型算法，比如二分类、多酚类、聚类、回归等。再细化一些，比如随机森林、朴素贝叶斯、线性支持向量机等。针对不同整车厂、电池厂商无缝接入，实现故障分类标准化、阈值标准化，并从平均每日700GB的数据中挑选出符合条件的2K数据，实现了从平均每日80万行的数据中，50毫秒之内挑选出19条记录。

通过持续对车辆数据的分析、电池数据的分析、驾驶行为的分析，特来电大数据修车会在故障发生前，有针对性地提醒车主车辆有故障，并免费提供一份预警通知给车主。

如同我们去医院体检一样，体检完成后，拿到报告单，要支付费用。同理，对于车辆的具体报警信息，比如电机错误的具体错误代码，比如电池故障的细节，我们也会收取一定的费用。

针对发现的问题，我们会结合专家库内容，提供详细的分析和修复建议。但是，这只是针对车主的部分。更多時候，我们是要让它为我们的工业做出贡献，为整车厂、电池厂贡献我们自己的力量。