当 DolphinDB 遇上方程式赛车：捕捉极速赛场上的时间印记
页面讨论方程式赛车场景对低延时与稳定性的要求，并概述赛前、赛中、赛后数据的使用方式。
What this page covers
- 赛车场景的实时数据需求与赛前/赛中/赛后使用方式。
- 赛车遥测系统的数据采集、传输、规模与用途。
- 遥测数据的采集落地与数据类型分类。
- 实时监控如何支持策略决策（如进站时机）。
- 进站策略（Undercut/Overcut）与可视化图表。
- 从赛车到车联网的场景迁移与数据平台架构回顾。
- DolphinDB 相关能力：写入、回放、流计算、预警、分区与查询。
技能认证特训营第二期限时报名
页面顶部包含活动提示，宣传技能认证特训营第二期，并提供限时报名入口与相关优惠信息。
- 页面提供技能认证特训营第二期的报名链接。
- 该活动以限时报名与福利优惠为卖点进行提示。
新闻与文章标题/日期
页面展示新闻栏目相关标识，并给出文章标题与发布日期。
- 页面将内容呈现为新闻栏目下的文章。
- 文章显示发布日期信息。
背景：赛车场景的实时数据价值与需求
内容指出相对普通车联网场景，赛车对低延时与稳定性要求更高，数据分析应用需求也更丰富，并说明赛前、赛中、赛后数据的典型用途。
- 赛车数据治理方案对延时与稳定性要求更高。
- 赛车数据分析应用需求被描述为更丰富。
- 赛前可用数据进行模拟分析以预测赛道情况。
- 赛中可用实时数据流支持快速决策。
- 赛后可对数据进行深入分析以提炼经验并优化策略。
合作与引入：DolphinDB 与同济大学电动方程式赛车队
内容提到 DolphinDB 与同济大学电动方程式赛车队合作，并以问题引入后续在赛车领域的应用讨论。
- DolphinDB 携手同济大学电动方程式赛车队提供赛车解决方案。
- 该合作被用作引入后续赛车数据相关讨论的背景。
数据遥测概述
本节解释赛车遥测系统如何实时收集与传输关键性能数据，并描述传感器规模、遥测吞吐量、传输方式及其对策略与安全等方面的价值。
- 赛车遥测系统用于实时收集和传输关键性能数据。
- 测量数据可发送到远离赛车的地方用于分析。
- 遥测数据可通过无线通信技术实时发送到维修区或远程控制中心。
- 每辆车的传感器数量被描述为超过150个。
- 比赛期间每秒可向维修区传输超过110万个遥测数据点。
数据采集（遥测落地）
本节描述 DolphinDB 在遥测场景中承接赛车数据实时传输到维修区/控制中心的需求，并将数据按历史数据、赛前测试数据与实时数据进行分类采集与监测。
- 遥测技术可将赛车数据实时传输到维修区和控制中心。
- 实时传输用于帮助团队了解赛车状态并制定策略。
- 赛车领域数据类型可分为历史数据、赛前测试数据与实时数据。
- 可采集并监测车辆传感器数据、赛道条件数据与驾驶员行为数据。
- 监测示例包含速度、加速度、转向角度等驾驶相关数据。
实时监控（遥测与策略决策）
本节说明实时监控可用于预测最佳进站时机窗口，并列举监控关注指标与数据采集方式（如传感器、记录系统与无线通信）。
- 在无事故或极端天气干扰时，可依据关键数据预测最佳进站窗口。
- 实时监控可关注当前名次、领先时间与圈速等比赛状态。
- 实时监控也可关注胎压、轮胎磨损与关键零部件情况。
- 数据采集方法包含传感器技术与数据记录系统。
- 数据采集方法包含无线通信技术（如 Wi‑Fi、蓝牙）。
数据分析：从遥测数据中挖掘价值
本节概述赛车数据分析的用途，包括制定比赛策略、评估车手表现、监控潜在机械问题、预测不同条件下表现并进行风险管理，以及与历史数据对比识别趋势。
- 赛车数据分析可用于制定更精确的比赛策略。
- 赛车数据分析可用于评估与反馈车手表现。
- 赛车数据分析可用于监控潜在机械问题。
- 可预测不同条件下的表现并用于风险管理。
- 可与历史数据对比以识别长期趋势并指导未来发展。
进站策略制定（Undercut/Overcut 与可视化）
本节介绍 Undercutting 与 Overcutting 的策略含义，并强调在两车接近时其成败可能取决于极小时间差；同时说明“进站策略对决”可视化图表用于实时追踪位置变化与预测差距/超车概率。
- Undercutting 指追赶者抢先进站换胎以利用新轮胎优势。
- Overcutting 指追赶者延长轮胎使用，让对手先完成进站。
- 两车距离接近时，策略成功与否可能取决于极小时间差。
- 进站策略对决图表可用于实时追踪两位车手位置变化。
- 该图表可用于预测进站后差距与超车成功概率。
对战预测（机器学习与 Battle Forecast）
本节介绍“Battle Forecast”对战预测图表，描述其使用机器学习模型分析赛道历史数据与车手预期速度，并以可视化方式提供对比赛的观察视角。
- Battle Forecast 运用机器学习模型分析赛道历史数据与车手预期速度。
- 分析结果以可视化方式呈现。
- 图表可揭示车手接近对手距离等关键因素。
- 图表可揭示超车难易程度等关键因素。
- 该视角面向观众与评论员提供比赛洞察。
从赛车到车联网：应用场景迁移与架构回顾
本节将赛车数字化技术类比到车联网，列举车联网数据分析可实现的场景，并回顾基于 DolphinDB 的车联网数据平台架构（多源数据接入、流数据表、订阅与关联查询、监测预警及对接应用层）。
- 车联网数据分析场景包括实时监控与预测性维护。
- 车联网数据分析场景包括智能交通管理与故障诊断。
- 多源数据可进入 DolphinDB 并注入流数据表。
- 可通过订阅流数据表并与业务数据关联查询实现分析与预警。
- 分析或预警结果可进入应用层对接业务系统或可视化展示。
极速写入，多模存储
本节强调 DolphinDB 在相关场景中对全链路时延的关注，并描述其毫秒级写入、多模数据存储与数据检索工具对实时监控与历史分析等任务的支撑。
- 页面描述 DolphinDB 可在毫秒级时间内进行写入。
- 页面描述支持多模数据存储以简化数据访问和监控。
- 页面描述提供灵活而强大的数据检索工具以快速定位信息。
数据回放，敏锐洞察
本节介绍数据回放与自定义回放速率，并描述其用于重现历史行为、进行指标分析计算，以及在车联网场景中进行历史数据重载分析与模拟。
- DolphinDB 数据回放功能支持自定义回放速率。
- 数据回放可用于重现车辆历史行为并进行指标分析与计算。
- 数据回放可用于剖析驾驶策略与诊断潜在故障。
- 车联网场景可重新加载和分析历史数据以模拟特定条件下行为与性能。
- 历史数据重载分析可用于故障诊断、性能测试、系统优化与培训教育。
闪电查询，精准分析（流计算引擎、内置函数与建模）
本节强调对历史圈速等数据的高效存储与索引，并描述流计算引擎、内置函数数量（页面宣称）以及对实时数据处理、转换聚合与分析建模工具的支持。
- 页面描述可高效存储和索引圈速等历史数据。
- 页面描述支持快速数据检索与查询。
- 页面宣称具备 10+ 流计算引擎与 1500+ 内置函数。
- 页面描述可对实时数据进行复杂转换与聚合操作。
- 页面描述提供分析建模工具用于构建预测或性能优化模型。
实时监控，驾驶无忧（流计算与预警）
本节描述用于实时监控与异常告警的流处理能力，并说明车联网中对传感器数据的实时分析、聚合/过滤/窗口计算、自定义预警指标与第三方集成联动。
- 页面描述可实时监测电池温度、电机转速与传感器信息等参数。
- 发现异常时可迅速发出警报。
- 车联网场景可即时接收与分析车辆传感器数据以持续监控。
- 流计算引擎支持实时数据聚合、过滤与窗口计算。
- 预警结果支持与第三方系统或应用程序集成以实现联动响应。
数据压缩，瘦身不减速（列式压缩与分布式表无损压缩）
本节说明列式存储与压缩技术用于降低磁盘 I/O、提升写入速度并减少存储占用，并描述分布式表的无损压缩与自动压缩机制及可配置压缩率。
- 页面描述通过列式存储与压缩技术减少磁盘 I/O。
- 页面描述压缩可提升写入速度并降低存储空间占用。
- 页面描述分布式表支持无损压缩。
- 页面描述插入数据可无需额外配置自动压缩。
- 页面描述可通过特定配置进一步提高压缩率。
灵活分区，效率提升（按时间/车辆ID/地理位置组织与SQL查询）
本节介绍按时间戳、车辆 ID 或地理位置等维度组织数据的分区方式，以优化存储与查询性能、减少扫描量，并支持复杂 SQL 查询与扩展性相关叙述。
- 分区可按时间戳、车辆 ID 或地理位置等关键指标组织数据。
- 页面描述分区可减少查询扫描数据量以加快查询速度。
- 页面描述可提升实时数据处理能力。
- 页面描述支持复杂的 SQL 查询。
- 页面描述分区功能可在规模扩大时提供扩展性相关支持。
结语：未来方向与理念
结尾总结合作意义，并表达将持续提供创新的数据存储与分析解决方案、探索车联网技术应用场景的方向与理念。
- 页面表述将秉持“速度即价值”的理念。
- 页面表述将持续提供创新的数据存储与分析解决方案。
- 页面表述将探索车联网技术应用场景。
Facts index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| 技能认证特训营第二期 | 报名链接 | https://www.qingsuyun.com/h5/e/217471/5/ | high |
| 当 DolphinDB 遇上方程式赛车：捕捉极速赛场上的时间印记 | 发布日期 | 2024.06.18 | high |
| 赛车数据治理方案（相对普通车联网场景） | 需求特点 | 对延时和稳定性要求更高，数据分析应用需求更丰富 | medium |
| 赛车数据使用流程 | 赛前/赛中/赛后用途 | 赛前模拟分析预测赛道情况；赛中用实时数据流快速决策；赛后深入分析提炼经验并优化策略 | high |
| DolphinDB | 与同济大学电动方程式赛车队合作 | DolphinDB 携手同济大学电动方程式赛车队提供赛车解决方案 | high |
| 赛车数据遥测系统 | 功能描述 | 实时收集和传输关键性能数据，并将测量数据发送到远离赛车的地方用于分析 | high |
| 赛车传感器数量（每辆车） | 数量 | 超过150个传感器 | high |
| 赛车遥测数据传输量 | 数据点吞吐 | 比赛期间每秒从赛车向维修区传输超过110万个遥测数据点 | high |
| 赛车遥测数据传输 | 技术方式 | 通过无线通信技术实时发送到维修区或远程控制中心 | high |
| 赛车遥测数据 | 用途 | 用于优化即时设置、预测并解决潜在技术问题、制定比赛策略（如进站时机、轮胎选择、燃油管理） | high |
| 遥测系统 | 对车手与观众价值 | 增强车手对驾驶表现的了解并辅助更精准调整；可通过媒体分享给观众以提升参与感与理解 | medium |
| 遥测系统应用效果 | 综合作用 | 确保赛车运动安全性、提高竞争力，并为持续技术创新提供数据支持 | medium |
| DolphinDB（数据采集） | 遥测数据传输场景 | 利用遥测技术将赛车数据实时传输到维修区和控制中心，帮助团队实时了解赛车状态并制定策略 | high |
| 赛车领域数据类型分类 | 分类 | 历史数据、赛前测试数据、实时数据 | high |
| DolphinDB（数据采集与监测） | 覆盖数据范围 | 可高速采集并监测车辆传感器数据、赛道条件数据及驾驶员行为数据（如速度、加速度、转向角度、充电状态、燃油量、气压油温指标、降低阻力系统状态等） | high |
| 赛车性能监控 | 用途 | 在无事故或极端天气干扰时，依据关键数据预测最佳进站时机窗口 | medium |
| 赛车实时监控关注数据 | 指标示例 | 当前名次、领先时间、最快圈速与当前圈速、瞬时速度及档位状态；以及刹车油门使用、胎压、轮胎磨损、关键零部件情况、燃油存量 | high |
| 赛车数据采集方法 | 方法 | 传感器技术；数据记录系统；无线通信技术（如 Wi‑Fi、蓝牙） | high |
| 赛车数据分析 | 用途 | 制定精确比赛策略；评估与反馈车手表现；监控潜在机械问题；预测不同条件下表现并进行风险管理；与历史数据对比识别长期趋势指导未来发展 | high |
| 进站策略（Undercutting/Overcutting） | 应用场景 | 当两车距离极为接近时用于争夺领先优势，成功与否取决于极小时间差（有时十分之一秒） | high |
| Undercutting（内线超车） | 策略描述 | 追赶者抢先进站换胎，利用新轮胎优势在对手下一次进站时实现超越 | high |
| Overcutting（外线超车） | 策略描述 | 追赶者尽可能延长轮胎使用让对手先完成进站，以利用对手进站时机获得领先并在对手出站后保持优势 | high |
| Pit Strategy Battle（进站策略对决） | 作用 | 可视化图表，用于实时追踪两位车手位置变化、预测进站后差距与超车成功概率，帮助观众与评论员评估策略效果 | high |
| Battle Forecast（对战预测图表） | 方法 | 运用先进的机器学习模型分析赛道历史数据与车手预期速度并可视化呈现 | medium |
| Battle Forecast（对战预测图表） | 用途 | 揭示车手接近对手距离及超车难易程度等关键因素，为观众与评论员提供洞察比赛的新视角 | medium |
| 车联网系统数据分析 | 可实现的场景 | 实时监控、预测性维护、智能交通管理、故障诊断，以提高运行效率、降低维护成本并增强道路安全、推动智慧城市发展 | medium |
| 十分钟验证一个高性能车联网数据平台解决方案 | 链接 | https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzU1NTMyOTI4Mw%3D%3D%26mid%3D2247710244%26idx%3D1%26sn%3Da0231e84708e229546b28a87e5328eb4%26chksm%3Dfbd80448ccaf8d5e0009e9bb49baae238dd800076844334f01f9c3bf28025317b425964ad132%26scene%3D21%23wechat_redirect | high |
| 基于 DolphinDB 的车联网数据平台架构 | 数据流与处理方式 | 多源数据进入 DolphinDB 并注入流数据表；通过订阅流数据表并与订单业务、车辆配置等数据关联查询，实现分析与监测预警；结果进入应用层对接业务系统、消息中间件或通过接口可视化展示 | high |
| DolphinDB | 产品定位描述 | 作为国产时序数据库的佼佼者（页面表述） | low |
| DolphinDB 解决方案适用性 | 场景覆盖 | 可满足方程式赛车严苛要求，并广泛应用于车联网、智能汽车等场景 | medium |
| DolphinDB 写入延迟能力 | 写入时间级别 | 毫秒级时间内进行写入 | medium |
| DolphinDB 存储能力 | 特性 | 支持多模数据存储，以简化数据访问和监控，支撑实时监控、历史回溯与深度分析 | medium |
| DolphinDB | 数据检索工具 | 提供灵活而强大的数据检索工具，帮助快速定位并提取信息 | medium |
| DolphinDB 数据回放功能 | 能力 | 支持自定义回放速率，重现车辆历史行为并进行指标分析与计算，用于剖析驾驶策略与诊断潜在故障 | high |
| DolphinDB（车联网数据回放） | 能力 | 允许重新加载和分析历史数据，以模拟车辆在特定条件下的行为和性能；用于故障诊断、性能测试、系统优化与数据分析验证，并可用于培训教育 | high |
| DolphinDB（历史圈速数据） | 处理方式 | 可高效存储和索引圈速等历史数据，支持快速数据检索与查询 | medium |
| DolphinDB 流计算能力 | 引擎与函数数量（页面宣称） | 10+ 流计算引擎与 1500+ 内置函数 | medium |
| DolphinDB（实时数据处理） | 处理能力描述 | 可处理实时流入的大量数据，进行复杂的数据转换和聚合操作，并提供分析建模工具用于构建预测/性能优化等模型 | medium |
| DolphinDB 流式计算 | 性能宣称 | 可处理大规模、高密度实时数据流，具备低延时与高吞吐以支持即时性与精准性并提升监控管理效能 | low |
| DolphinDB（赛车实时监控） | 监控与告警能力 | 可实时监测电池温度、电机转速、传感器信息等关键参数，并在发现异常时迅速发出警报 | medium |
| DolphinDB（车联网实时监控） | 能力 | 即时接收和分析车辆传感器数据，实现持续监控与预测潜在故障、减少停机时间 | medium |
| DolphinDB 流计算引擎 | 支持的计算类型 | 支持实时数据聚合、过滤和窗口计算，以确保数据及时性与准确性 | medium |
| DolphinDB（自定义预警指标） | 能力与示例 | 可定义并实施实时预警指标；可监测车辆偏离路线、超速或机械故障等并触发预警通知 | medium |
| DolphinDB 预警结果 | 第三方集成 | 支持将预警结果与第三方系统或应用程序集成，实现跨系统联动响应 | medium |
| DolphinDB 数据压缩 | 技术方式与效果 | 利用列式存储和压缩技术减少磁盘 I/O、提升写入速度，并在保证数据完整性与质量前提下降低存储空间占用 | medium |
| DolphinDB 分布式表 | 压缩特性 | 支持无损压缩；无需额外配置自动对插入数据进行压缩；可通过特定配置进一步提高压缩率 | medium |
| DolphinDB 灵活分区功能 | 分区维度 | 允许按时间戳、车辆 ID 或地理位置等关键指标组织数据以优化存储与查询性能 | high |
| DolphinDB 分区策略 | 性能效果描述 | 通过减少查询时需要扫描的数据量来加快查询速度，并提升实时数据处理能力 | medium |
| DolphinDB | 查询能力 | 支持复杂的 SQL 查询 | high |
| DolphinDB 分区功能 | 扩展性描述 | 随着车联网规模扩大，分区功能提供必要扩展性，帮助以较低成本处理增长数据 | low |
| DolphinDB | 未来方向与理念 | 将秉持“速度即价值”理念，持续提供创新的数据存储与分析解决方案并探索车联网技术应用场景 | low |