《智能网联汽车导论》教学课件—05智能网联汽车与大数据

5.在交通智能化领域的应用
随着云计算的不断发展，大数据的受关注度也越来 越高，而基于大数据在技术上、在应用上的强大功 能，被引用到了智能交通的管理中，通过理论、方 法和技术等来改善城市交通存在的问题。
智能网联汽车产业的大数据处理流程主要包括数据 收集、数据预处理、数据存储、数据处理与分析、 数据展示/数据可视化、数据分享与保密等环节，
传感器常用于测量物理环境变量并将其转化为可读的数 字信号以待处理。
（2）日志文件 日志是广泛使用的数据采集方法之一,由数据源系统产
生,以特殊的文件格式记录系统的活动。 （3）众包
“众包”是一种分布式的问题解决模式，指的是一个公 司或者机构、平台把过去由固定人员完成的工作任务， 以自由自愿的形式外包给（通常指网络上的）非特定大 众的做法。而“非特定大众”通过网络登录这些众包平 台即可接受和完成任务。
其中数据质量贯穿于整个大数据流程，每一个数据 处理环节都会对大数据质量产生影响作用。通常， 一个好的大数据产品要有大量的数据规模、快速的 数据处理、精确的数据分析与预测、优秀的可视化 图表以及简练易懂的结果解释，以下内容将基于以 上环节分别分析不同阶段大数据的处理方式和应用。
1.数据收集 （1）传感器
智能网联汽车与大数据
5.1.1大数据简介 1.大数据特征 （1）规模庞大 （2）种类繁多 （3）变化频繁 （4）价值巨大但价值密度低
2.大数据的作用和意义
在经济方面，大数据成为了经济发展和转型的推动 力。
在社会方面，大数据成为提升政府治理能力的新途 径，社会安全保障的新领地。
在科研方面，大数据成为科学研究的新途径。借助 对大数据的分析研究，能够发现医学、 物理、经济
和社会等领域的新现象，揭示自然与社会中的新规 律，并预测未来趋势。
1.数据采集层
数据采集层主要负责从各种不同的数据源采集数据。 常见的数据源包括：业务数据、互联网数据、物联 网数据等。对于不同的数据源，通常需要不同的采 集方法。对于存储在业务系统中的数据，一般采用 批量采集的方法，一次性的导入到大数据存储系统 中。对于互联网上的数据，一般通过网络爬虫进行 爬取。对于物联网产生的实时数据，一般采用流采 集的方式，动态的添加到大数据存储系统中或是直 接发送到流处理系统进行处理分析。
5.2.1大数据在智能网联汽车产业的应用
1.在研发方面的应用 智能网联汽车已经成为每一个汽车企业的目标。然
而，现在的应用其实只是入门级。如何能让汽车真 正转型为所谓数据中心、计算中心和控制中心呢？ 这就和我们的大数据本身的价值意义密切相关。
2.在汽车制造方面的应用
利用买车卖车用车维保大数据在造车领域的应用的 还是传统车企，4S模式就是这方面应用最好的案例， 4S包括整车销售(Sale)、零配件(Sparepart)、售后 服务(Service)、信息反馈(Survey)等，而最后这个 S(Survey)信息反馈就是大数据的应用。虽然说传统 车企的车型升级比较缓慢，但这些大数据是他们升 级、改造或开发新车型的重要依据。
互联网在汽车领域应用越来多，汽车变得更加智能。 除了传统的车企结合互联网技术不断更新自己的技 术以外，互联网企业也加入了造车的风潮。
wk.baidu.com
3.在营销领域的应用
大数据在汽车营销领域应用众多，如产品、渠道、 价格、顾客、行情等，但最为重要的包含两个方面： 一是通过获取数据并加以统计分析来充分了解市场 信息，掌握竞争者的商情和动态，知晓产品在竞争 群中所处的市场地位，来达到“知彼知己，百战不殆”
2）变换：通过一系列的规则将提取的数据转换为标准格式。
3.数据处理层
数据处理层主要负责大数据的处理和分析工作。针 对不同类型的数据，一般需要不同的处理引擎。对 于静态的批量数据，一般采用批量处理引擎（例如： MapReduce）。对于动态的流式数据，一般采用 流处理引擎（例如：Storm）。对于图数据，一般 采用图处理引擎 （例如：Giraph）。基于处理引
的目的；二是企业通过积累和挖掘汽车行业消费者 档案数据，有助于分析顾客的消费行为和价值趣向， 便于更好地为消费者服务和发展忠诚顾客。
4.在服务领域的应用
大数据在汽车服务领域的应用。以保险公司为例， 保险工作早前会通过OBD或者其他的智能盒子来收
集车主的驾驶行为数据，如果一个人从来不违章， 那么给他的保险就可以打很低的折扣，如果对于经 常违章发生车祸的车主，那么就可以拒保，不仅增 进投保数量更能增进保险的质量。再者就是车辆的 使用时间和闲置时间，可以做分时租赁提供数据。
擎提供的各种基础性的数据计算和处理功能，大数 据处理平台中通常会有一些提供复杂数据处理和分 析的工具，例如：数据挖掘工具、机器学习工具、 搜索引擎等。
4.服务封装层
服务封装层主要负责根据不同的用户需求对各种大 数据处理和分析功能进行封装并对外提供服务。常 见的大数据相关服务包括：数据的可视化、数据查 询分析、数据的统计分析等。
2.数据预处理
（1）数据集成
数据集成技术在逻辑上和物理上把来自不同数据源的数据进 行集中,为用户提供一个统一的视图。数据集成在传统的数 据库研究中是一个成熟的研究领域,如数据仓库和数据联合 方法。数据仓库又称为ETL,由3个步骤构成:
1）提取：连接源系统并选择和收集必要的数据用于随后的 分析处理。
2.数据存储层
数据存储层主要负责大数据的存储和管理工作。大数据 处理平台中的原始数据通常存放在分布式文件系统（例 如：HDFS）或是云存储系统（例如：Amazon S3、 Swift 等）。 为了便于对大数据进行访问和处理，大数 据处理平台通常会采用一些非关系型（NoSQL）数据
库对数据进行组织和管理。针对不同的数据形式和处理 要求，可以选用不同类型的非关系型数据库。常见的非 关系型数据库有键值（Key-Value）存储数据库（例如： Redis）、列存储数据库（例如：HBase）、文档型数 据库（例如：MongoDB）、图（Graph）数据库（例 如： Neo4J）等。