海康智联车联网平台如何基于 TDengine TSDB 构建数据底座

海康智联, 徐翔

2026-04-21 / 时序数据库 - 用户案例, 热门博客

小T导读：海康智联以物联网、大数据与人工智能技术为核心，构建了以“边缘计算 + 云边融合”为基础的整体技术架构，形成覆盖智能网联与车路协同的一体化产品体系。作为国家级高新技术企业，海康智联参与了多项行业标准制定，业务已覆盖全国 20 余个省份，为客户提供智能网联测试示范、车路协同、自动驾驶、I2V 运营、交通治理、数字公路及智慧高速等解决方案。在这一体系中，海量设备持续产生的时序数据成为平台运行的关键基础。本文将结合多个实际场景，分析 TDengine TSDB 在海康智联产品体系中的落地实践及应用效果。

车联网之困

作为智慧交通领域的领先企业，我们在推进新一代车联网云控平台的建设初期，主要面临以下三大核心痛点：

其一，车端数据接入压力巨大：全市 10 万+ 运营车辆需实时上报车速、电机转速、电池包 SOC、GPS 轨迹等时序数据，传统数据库难以支撑高频次、高并发的数据写入，时常出现数据拥堵或丢失；
其二，路侧感知数据处理滞后：路侧 RSU、摄像头、雷达产生的目标级结构化数据（含目标 ID、坐标、速度、类型）需用于实时碰撞风险计算与信号灯协同，但传统存储方案写入延迟超过秒级，无法满足毫秒级决策需求；
其三，数据价值挖掘低效：车路协同产生的 PB 级历史数据分散存储，缺乏统一的时序数据管理工具，想要聚合特定时段、路段的流量、平均速度等关键指标，需耗费数小时甚至数天，严重影响交通宏观决策效率。

TDengine TSDB：开启变革

为破解上述难题，我们引入专为时序数据设计的 TDengine TSDB。凭借“超级表 + 子表”的独特数据建模方式，TDengine TSDB 能够很好地适配车联网场景中“设备数量多、数据并发高、采集频率高”的数据特征。同时，TDengine TSDB 原生支持 MQTT、Kafka 等物联网数据接入方式，可实现设备数据的直连写入，大幅降低系统接入复杂度。此外，其内置丰富的时序数据聚合函数，可将历史数据查询时间从小时级缩短至秒级，为车联网系统的实时管控与历史分析提供了坚实的技术支撑。

亮点一：车端实时数据接入飞跃，10 万+ 车辆毫秒级在线管控

我们基于 TDengine TSDB 设计了 “一车一子表” 的数据模型：以 “车辆信息超级表（vehicle_info_st）” 统一定义车速（speed）、电机转速（motor_speed）、电池包 SOC（battery_soc）、GPS 经度（gps_lng）、GPS 纬度（gps_lat）等字段，每辆车对应一张独立子表（子表名以车辆 VIN 码命名，如 vin_123456789）。车辆通过 T-Box 以 MQTT 协议实时上报数据， TDengine TSDB 实现毫秒级入库，稳定支撑 10 万+ 车辆同时在线，确保每辆车的动态数据无延迟、无丢失。

海康智联车联网平台如何基于 TDengine TSDB 构建数据底座 - TDengine Database 时序数据库

TDengine TSDB SQL 语句（车辆实时数据查询与监控）：

 --   1. 创建车辆信息超级表（定义时序数据结构）
CREATE   STABLE vehicle_info_st (
    ts TIMESTAMP,  -- 数据采集时间戳
    speed FLOAT,   -- 车速（单位：km/h）
    motor_speed INT,  -- 电机转速（单位：rpm）
    battery_soc INT,  -- 电池包SOC（单位：%）
    gps_lng DOUBLE,   -- GPS经度
    gps_lat DOUBLE    -- GPS纬度
)   TAGS (
    vin STRING,    -- 车辆唯一标识（子表标签）
    vehicle_type STRING  -- 车辆类型（如公交车、出租车、私家车）
);
--   2. 查询某辆车（VIN：vin_123456789）最近10分钟的实时数据（用于大屏实时监控）
SELECT   ts, speed, battery_soc, gps_lng, gps_lat 
FROM   vin_123456789 
WHERE   ts >= NOW() - 10m 
ORDER   BY ts DESC;
--   3. 统计全市各类型车辆的平均车速（用于交通状态分析）
SELECT   vehicle_type, AVG(speed) AS avg_speed 
FROM   vehicle_info_st 
WHERE   ts >= NOW() - 5m 
GROUP   BY vehicle_type;

亮点二：路侧感知数据接入升级，毫秒级支撑碰撞风险与信号灯协同

针对路侧感知数据，我们采用 TDengine TSDB的“一路口一张子表” 建模方案：创建 “路侧目标信息超级表（road_side_target_st）”，定义目标 ID（target_id）、目标坐标（target_x/target_y）、目标速度（target_speed）、目标类型（target_type，如机动车、非机动车、行人）等字段，每个路口的路侧设备（RSU + 摄像头 + 雷达）对应一张子表（子表名以路口编号命名，如 crossing_001）。

路侧设备通过 MQTT、Kafka 协议将结构化数据实时推送至区域云，由 TDengine TSDB 进行毫秒级写入与统一存储。数据随后实时同步至碰撞风险计算模块和信号灯控制系统。当系统检测到车辆与行人距离小于安全阈值时，可在 500 毫秒内触发预警，并动态调整信号灯配时，从而提升路口通行安全。

TDengine TSDB SQL 语句（路侧目标数据查询与风险预警）：

--   1. 创建路侧目标信息超级表
CREATE   STABLE road_side_target_st (
    ts TIMESTAMP,  -- 数据采集时间戳
    target_id INT,  -- 目标唯一标识
    target_x DOUBLE,  -- 目标x坐标（单位：m，基于路口坐标系）
    target_y DOUBLE,  -- 目标y坐标（单位：m，基于路口坐标系）
    target_speed FLOAT,  -- 目标速度（单位：m/s）
    target_type STRING  -- 目标类型（motor_vehicle/non_motor_vehicle/pedestrian）
)   TAGS (
    crossing_id STRING,  -- 路口编号（子表标签）
    device_id STRING     -- 路侧设备ID
);
--   2. 查询某路口（crossing_001）最近30秒内的所有目标数据（用于碰撞风险计算）
SELECT   ts, target_id, target_x, target_y, target_speed, target_type 
FROM   crossing_001 
WHERE   ts >= NOW() - 30s 
ORDER   BY ts DESC;
--   3. 统计某路口早晚高峰（7:00-9:00、17:00-19:00）的各类目标流量（用于信号灯配时优化）
SELECT   target_type, COUNT(DISTINCT target_id) AS target_count 
FROM   road_side_target_st 
WHERE   crossing_id = 'crossing_001' 
  AND (ts BETWEEN '2024-01-01 07:00:00' AND   '2024-01-01 09:00:00' 
       OR ts BETWEEN '2024-01-01 17:00:00'   AND '2024-01-01 19:00:00') 
GROUP   BY target_type;

亮点三：云控平台与历史分析革新，PB 级数据支撑宏观决策

在 “边缘云→区域云→中心云” 三级云控架构中，TDengine TSDB 承担 “实时数据湖 + 历史仓库” 双重角色：边缘云实时采集车端、路侧数据并写入 TDengine TSDB，区域云基于 TDengine TSDB 进行实时计算（如路段流量统计），中心云则存储全量 PB 级历史数据。

借助 TDengine TSDB 超级表的高效聚合能力，系统能够快速查询任意时间范围（如近一周、近一个月）以及任意路段（如西湖大道、钱江新城隧道）的交通关键指标，包括车流量、平均速度以及基于车速和车辆类型计算的碳排强度。实际应用中，相关数据查询响应时间已从传统方案的 2 小时缩短至 3 秒以内，为交通宏观决策、高精地图更新以及城市级交通仿真提供了精准的数据支撑。

TDengine TSDB SQL 语句（交通宏观数据聚合与分析）：

--   1. 聚合某路段（如西湖大道，通过GPS范围界定）近1周的日均车流量与平均车速
SELECT   DATE(ts) AS stat_date, 
       COUNT(DISTINCT vin) AS   daily_flow,  -- 日均车流量（按车辆VIN去重）
       AVG(speed) AS avg_daily_speed       -- 日均平均车速
FROM   vehicle_info_st 
WHERE   gps_lng BETWEEN 120.123 AND 120.145  --   西湖大道路段经度范围
  AND gps_lat BETWEEN 30.234 AND 30.256   -- 西湖大道路段纬度范围
  AND ts >= NOW() - 7d 
GROUP   BY stat_date 
ORDER   BY stat_date;
--   2. 计算全市近1个月各区域的碳排强度（基于车辆类型与车速的自定义公式）
SELECT   vehicle_type, 
       AVG(CASE WHEN speed <= 20 THEN   0.8  -- 低速行驶碳排系数
                WHEN speed <= 60 THEN   0.5  -- 中速行驶碳排系数
                ELSE 0.6 END) AS   carbon_intensity  -- 高速行驶碳排系数
FROM   vehicle_info_st 
WHERE   ts >= NOW() - 30d 
GROUP   BY vehicle_type;
--   3. 查询某区域（如钱江新城）近24小时的交通流量变化趋势（用于实时仿真）
SELECT   DATE_TRUNC('hour', ts) AS stat_hour,    -- 按小时聚合
       COUNT(*) AS hourly_flow 
FROM   vehicle_info_st 
WHERE   gps_lng BETWEEN 120.167 AND 120.189 
  AND gps_lat BETWEEN 30.268 AND 30.290 
  AND ts >= NOW() - 24h 
GROUP   BY stat_hour 
ORDER   BY stat_hour;

业务改进与提升

1. 成本效益双丰收

相比传统数据库方案， TDengine TSDB 通过 “超级表 + 子表” 的轻量化建模，将存储成本降低 60%（PB 级数据存储无需额外扩容硬件）；同时，其原生支持数据压缩与分布式计算，减少了 50% 的服务器部署数量，每年为我们节省硬件采购与运维成本超 200 万元。此外，数据查询效率提升 99%（从 2 小时缩短至 3 秒），大幅减少计算资源占用，进一步降低 IT 运营成本。

2. 决策精准效率高

依托 TDengine TSDB 的实时数据处理能力，我们的车辆管控业务实现了从 “事后追溯” 到 “实时预警” 的转变（如 10 万 + 车辆异常状态可在 1 秒内触发警报）；在宏观决策层面，基于 TDengine TSDB 的快速数据聚合，交通信号灯配时优化周期从 1 个月缩短至 1 周。

未来展望：持续进化

下一步，我们将继续深化 TDengine TSDB 的应用场景：一方面，拓展 “车-路-云-人” 全要素数据接入，将共享单车、行人过马路数据纳入 TDengine TSDB 中进行管理，构建更全面的交通数据体系；另一方面，基于 TDengine TSDB 的时序数据挖掘能力，开发 “交通拥堵预测模型”，实现提前 15 分钟预测路段拥堵情况并推送至市民导航 APP，进一步提升城市交通智能化水平。

关于海康智联

浙江海康智联科技有限公司为中电海康集团旗下企业，秉承中国电子科技集团有限公司新一代信息基础设施战略，用科技筑基交通强国伟业，致力成为国内领先的智能网联与车路协同产品和技术服务商。在《交通强国建设纲要》的指引下，海康智联持续以“客户为中心”进行技术与产品的研发和创新，打造数字化、网联化、智能化、协同化的数智道路，构建泛在的、先进的交通信息基础设施。

作者：海康智联徐翔