Logística

Estudo de Caso de Logística e Livro de Receitas SQL

Ativar Consulta IoT antes de utilizar os dados para construir análises abrangentes. Se ainda não o possui, entre em contato conosco para detalhes de ativação - [email protected]

A logística é um ecossistema complexo que envolve a coordenação do transporte, operações de armazém, inventário e execução de entregas. A integração da telemática nos processos logísticos permite às empresas coletar dados em tempo real sobre veículos, motoristas, rotas e condições da carga, o que melhora significativamente a tomada de decisão e a eficiência operacional.

Navixy Consulta IoT, com suas robustas capacidades de ingestão de dados e análises de séries temporais, apoia a transformação digital das operações logísticas ao possibilitar visibilidade profunda em cada etapa do ciclo de vida. Suas robustas capacidades de ingestão telemática fornecem visibilidade abrangente dessas operações. Dados GPS em tempo real, diagnóstico de dados de sensores, geofencing e análise de sensores permitem que operadores logísticos digitalizem fluxos de trabalho, automatizem controles e tomem decisões informadas.

Fase do Ciclo de Vida	Objetivos	Casos de Uso / Receitas Cobertos
Gerenciamento de rotas	Otimizar roteamento de veículos, garantir despacho eficiente e reduzir atrasos	Contagem de viagens por dia Contagem de quilometragem por veículo por dia (Últimos 7 dias)
Monitoramento de carga	Garantir condições de transporte adequadas para mercadorias sensíveis	Eventos de violação de temperatura (e umidade) nos últimos 7 dias
Operação do veículo	Monitorar utilização da frota, garantir manutenção e reduzir tempo de inatividade	Resumo de horas de motor por veículo / motorista / dia (Últimos 7 dias) Análise de tempo de inatividade do veículo Rastreamento de ativo sem movimentação
Segurança e proteção de rota	Detectar mau uso, atividade não autorizada e violações de segurança	Detecção de desvio de rota - Paradas não autorizadas (Últimas 24 horas) Detecção de uso fora do horário
Gestão de conformidade	Monitorar comportamento do motorista, aplicar políticas e conformidade operacional	Resumo de horas de motor por veículo / motorista / dia (Últimos 7 dias) Detecção de uso fora do horário
Análise pós-entrega	Avaliar eficiência operacional e desempenho histórico	Relatório de log de eventos do veículo Contagem de quilometragem por veículo por dia (Últimos 7 dias) Contagem de viagens por dia Rastreamento de ativo sem movimentação

Rastreamento de ativo sem movimentação

Este caso identifica ativos (por exemplo, veículos ou reboques) que não alteraram seu GPS compare o coordenadas mínima e máxima durante o período. Se ambos os valores estiverem dentro de uma faixa muito estreita (um limiar de tolerância, por exemplo, ±0,01 graus), marcamos o ativo como sem movimento. A consulta também faz join com as tabelas objects e vehicles em raw_business_data para recuperar rótulos de ativos significativos para a saída do resultado.

WITH gps_bounds AS (
    SELECT
        td.device_id,
        MIN(td.latitude) AS min_lat,
        MAX(td.latitude) AS max_lat,
        MIN(td.longitude) AS min_lon,
        MAX(td.longitude) AS max_lon,
        COUNT(*) AS location_records
    FROM raw_telematics_data.tracking_data_core td
    WHERE td.device_time >= now() - interval '48 hours'
    GROUP BY td.device_id
),
stationary_devices AS (
    SELECT
        device_id
    FROM gps_bounds
    WHERE location_records > 10 -- excluir dispositivos com dados muito esparsos
	AND((max_lat - min_lat) <= 2000 -- ~10 metros
		OR
      	(max_lon - min_lon) <= 1000)  -- ~10 metros
    		)
SELECT
    v.vehicle_id,
    v.vehicle_label,
    o.object_id,
    o.object_label,
    sd.device_id,
    gb.min_lat / 1e7 AS latitude,
    gb.min_lon / 1e7 AS longitude,
    gb.location_records
FROM stationary_devices sd
JOIN gps_bounds gb ON sd.device_id = gb.device_id
JOIN raw_business_data.objects o ON o.device_id = sd.device_id
LEFT JOIN raw_business_data.vehicles v ON v.object_id = o.object_id
ORDER BY gb.location_records DESC;

Análise de tempo de inatividade do veículo

Este caso foca em analisar por quanto tempo os veículos ficam inoperantes devido a manutenção, avarias ou inatividade. Métricas de tempo de inatividade são cruciais para operações logísticas para monitorar a saúde da frota, reduzir tempo ocioso e melhorar a utilização geral e eficiência de programação.

O núcleo da análise de tempo de inatividade está em aproveitar a tabela vehicle_service_tasks de raw_business_data, que registra tanto eventos de manutenção planejada e não planejada. Cada tarefa contém um start_date e um end_date, representando o período de inatividade. Filtrando por tarefas de serviço concluídas, podemos calcular a duração exata em que cada veículo ficou fora de operação.

A consulta calcula o tempo total de inatividade por veículo somando as durações de todas as suas tarefas de serviço (em horas). Também permite detalhamento entre manutenção planejada e não planejada usando a flag is_unplanned. Para tornar os resultados mais acionáveis, ela faz join com a tabela vehicles para incluir rótulos de veículos, números de registro e informações de modelo.

WITH downtime_durations AS (
    SELECT
        vst.vehicle_id,
        vst.is_unplanned,
        vst.start_date,
        vst.end_date,
        EXTRACT(EPOCH FROM (vst.end_date - vst.start_date))/3600 AS downtime_hours
    FROM raw_business_data.vehicle_service_tasks vst
    WHERE vst.status = 'done'
      AND vst.start_date IS NOT NULL
      AND vst.end_date IS NOT NULL
)
SELECT
    v.vehicle_id,
    v.vehicle_label,
    v.registration_number,
    v.model,
    COUNT(dd.*) AS total_service_events,
    SUM(dd.downtime_hours) AS total_downtime_hours,
    SUM(dd.downtime_hours) FILTER (WHERE dd.is_unplanned = TRUE) AS unplanned_downtime_hours,
    SUM(dd.downtime_hours) FILTER (WHERE dd.is_unplanned = FALSE) AS planned_downtime_hours
FROM downtime_durations dd
JOIN raw_business_data.vehicles v ON v.vehicle_id = dd.vehicle_id
GROUP BY v.vehicle_id, v.vehicle_label, v.registration_number, v.model
ORDER BY total_downtime_hours DESC;

Detecção de desvio de rota

Este caso identifica instâncias onde veículos desviam de suas rotas atribuídas ou esperadas — particularmente zonas geográficas com geofence ou corredores de entrega. Rastrear tais desvios ajuda a garantir conformidade de rota, reduzir atrasos, detectar comportamento de direção arriscado e manter os SLAs de entrega.

Esta lógica compara as posições GPS reais do veículo de tracking_data_core (no esquema raw_telematics_data) contra zonas geográficas predefinidas da tabela zones em raw_business_data. Essas zonas representam rotas atribuídas ou segmentos de rota. Usando comparações geométricas via ST_DWithin, determinamos se um ponto está dentro ou fora da área com buffer da rota.

A consulta junta cada posição GPS com cada zona de rota conhecida usando um CROSS JOIN, então aplica ST_DWithin() para verificar se o veículo estava dentro do corredor permitido. Isolamos as linhas onde o veículo estava fora de todas as rotas com geofence e as marcamos como desvios. A saída final lista esses desvios, incluindo o dispositivo, timestamp, rótulo do veículo e a que distância o ponto estava do centro da zona mais próxima.

WITH positions AS (
    SELECT
        td.device_id,
        td.device_time,
        o.object_id,
        o.object_label,
        z.zone_id,
        z.zone_label,
        ST_SetSRID(ST_MakePoint(td.longitude / 1e7, td.latitude / 1e7), 4326)::geography AS gps_point,
        ST_Buffer(
            ST_SetSRID(ST_MakePoint(z.circle_center_longitude, z.circle_center_latitude), 4326)::geography,
            z.radius
        ) AS route_buffer
    FROM raw_telematics_data.tracking_data_core td
    JOIN raw_business_data.objects o ON td.device_id = o.device_id
    CROSS JOIN raw_business_data.zones z
    WHERE td.device_time >= now() - interval '2 days'
),
evaluated AS (
    SELECT
        device_id,
        device_time,
        object_id,
        object_label,
        zone_id,
        zone_label,
        NOT ST_DWithin(gps_point, route_buffer, 0) AS is_deviation,
        ST_Distance(gps_point, route_buffer) AS deviation_distance_meters
    FROM positions
),
deviations_only AS (
    SELECT *
    FROM evaluated
    WHERE is_deviation = true
)
SELECT
    device_id,
    object_label,
    zone_label,
    device_time,
    deviation_distance_meters
FROM deviations_only
ORDER BY device_time DESC;

Resumo de horas de motor por veículo / motorista / dia (Últimos 7 dias)

Este caso mede quanto tempo os motores ficaram ativos para cada veículo em uma base diária, permitindo aos gestores de frota acompanhar a utilização, identificar uso excessivo ou subutilização, e correlacionar atividade com atribuições de motorista. Quando vinculado a motoristas, também dá suporte a validação de horas trabalhadas e análise de desempenho.

A tabela states em raw_telematics_data registra indicadores de estado do motor em séries temporais, tipicamente com um state_name como 'ignition' e um valor de 1 (ligado) ou 0 (desligado). Para calcular as horas de motor, encontramos todas as transições com timestamp para cada dispositivo e calculamos as durações em que o motor esteve ligado (1).

Para vincular a atividade do motor tanto a veículos quanto motoristas, usamos as tabelas objects, vehicles e driver_history de raw_business_data. Associamos cada registro de estado ao motorista atual naquele objeto (via histórico de atribuição de motorista) e ao veículo correspondente. Em seguida, agrupamos os dados por dia, veículo e motorista, somando o tempo total de motor ativo (em horas).

WITH inputs_core AS (
   SELECT
       i.device_id,
       i.device_time,
       i.event_id,
       i.record_added_at,
       i.sensor_name,
       i.value
   FROM raw_telematics_data.inputs i
   WHERE i.device_time >= now() - interval '7 days'
),
clear_inputs AS (
   SELECT
       i.device_id,
       i.device_time,
       i.event_id,
       i.record_added_at,
       i.sensor_name,
       i.value,
       LAG(i.device_time) OVER (PARTITION BY i.device_id ORDER BY i.device_time) AS prev_time,
       LAG(i.value::int) OVER (PARTITION BY i.device_id ORDER BY i.device_time) AS prev_status
   FROM inputs_core i
   LEFT JOIN raw_business_data.sensor_description sd
       ON sd.input_label = i.sensor_name
      AND sd.device_id = i.device_id
   WHERE sd.sensor_type = 'engine'
     AND i.value = '1'
),
engine_on_periods AS (
   SELECT
       device_id,
       prev_time AS engine_on_time,
       device_time AS engine_off_time,
       device_time::date AS activity_day,
       EXTRACT(EPOCH FROM (device_time - prev_time)) / 3600 AS engine_hours
   FROM clear_inputs
   WHERE value::int = 0 AND prev_status = 1  -- transições de LIGADO para DESLIGADO
),
enriched_with_objects AS (
   SELECT
       eop.*,
       o.object_id,
       o.object_label,
       v.vehicle_id,
       v.vehicle_label,
       v.registration_number
   FROM engine_on_periods eop
   JOIN raw_business_data.objects o ON o.device_id = eop.device_id
   LEFT JOIN raw_business_data.vehicles v ON v.object_id = o.object_id
),
assigned_drivers AS (
   SELECT
       ewo.*,
       dh.new_employee_id as employee_id
   FROM enriched_with_objects ewo
   LEFT JOIN LATERAL (
       SELECT d.*
       FROM raw_business_data.driver_history d
       WHERE d.object_id = ewo.object_id
         AND d.changed_datetime <= ewo.engine_on_time
       ORDER BY d.changed_datetime DESC
       LIMIT 1
   ) dh ON true
)
SELECT
   activity_day,
   vehicle_label,
   registration_number,
   object_label,
   e.first_name || ' ' || e.last_name AS driver_name,
   SUM(engine_hours) AS total_engine_hours
FROM assigned_drivers ad
LEFT JOIN raw_business_data.employees e ON ad.employee_id = e.employee_id
GROUP BY activity_day, vehicle_label, registration_number, object_label, driver_name
ORDER BY activity_day DESC, vehicle_label;

Eventos de violação de temperatura (e umidade) nos últimos 7 dias

Este caso identifica leituras de sensores — tais como temperatura ou umidade — que excedem limiares críticos durante o transporte. Monitorar tais violações é vital para indústrias que transportam bens perecíveis (por exemplo, alimentos, produtos farmacêuticos) para garantir conformidade com os requisitos da cadeia de frio e prevenir deterioração.

Esta consulta extrai dados de entrada de sensores da tabela inputs no esquema raw_telematics_data. Cada linha representa uma leitura de sensor (por exemplo, temperatura, umidade) registrada em um timestamp específico por um dispositivo. Filtramos esses registros para incluir apenas aqueles dos últimos 7 dias.

A lógica principal de filtragem baseia-se em padrões de nome de sensor e uma comparação de seus valores numéricos contra limiares (por exemplo, >25°C para temperatura, >80% para umidade). Como value é armazenado como texto, fazemos o cast para numérico antes de aplicar as condições de limiar. Para enriquecer os resultados, juntamos com a tabela objects para recuperar rótulos de veículo ou ativo, o que melhora a interpretabilidade para gestores de frota.

WITH recent_sensor_data AS (
   SELECT
       i.device_id,
       i.device_time,
       i.sensor_name,
       i.value::float AS value
   FROM raw_telematics_data.inputs i
   WHERE i.device_time >= now() - interval '1 hour'
),
sensor_meta AS (
   SELECT
       sd.device_id,
       sd.input_label,
       sd.sensor_id,
       sd.sensor_type,
       sd.calibration_data
   FROM raw_business_data.sensor_description sd
),
joined_data AS (
   SELECT
       rsd.*,
       sm.sensor_id,
       sm.sensor_type,
       sm.calibration_data
   FROM recent_sensor_data rsd
   LEFT JOIN sensor_meta sm
       ON rsd.device_id = sm.device_id
      AND rsd.sensor_name = sm.input_label
),
calibrated_data AS (
   SELECT
       jd.device_id,
       jd.device_time,
       jd.sensor_name,
       jd.value,
       jd.sensor_id,
       jd.sensor_type,
       CASE
           WHEN cd_low.cal_value IS NOT NULL AND cd_high.cal_value IS NOT NULL THEN
               CASE
                   WHEN cd_high.cal_value = cd_low.cal_value THEN cd_low.cal_volume
                   ELSE cd_low.cal_volume +
                       ((jd.value - cd_low.cal_value) / NULLIF(cd_high.cal_value - cd_low.cal_value, 0))
                       * (cd_high.cal_volume - cd_low.cal_volume)
               END
           ELSE jd.value
       END AS calibrated_value
   FROM joined_data jd
   LEFT JOIN LATERAL (
       SELECT
           (p->>'in')::float  AS cal_value,
           (p->>'out')::float AS cal_volume
       FROM jsonb_array_elements(jd.calibration_data) AS p
       WHERE (p->>'in')::float <= jd.value
       ORDER BY (p->>'in')::float DESC
       LIMIT 1
   ) cd_low ON TRUE
   LEFT JOIN LATERAL (
       SELECT
           (p->>'in')::float  AS cal_value,
           (p->>'out')::float AS cal_volume
       FROM jsonb_array_elements(jd.calibration_data) AS p
       WHERE (p->>'in')::float >= jd.value
       ORDER BY (p->>'in')::float ASC
       LIMIT 1
   ) cd_high ON TRUE
),
violations AS (
   SELECT
       cd.device_id,
       cd.device_time,
       cd.sensor_name,
       cd.calibrated_value,
       CASE
           WHEN cd.sensor_type = 'temperature' AND cd.calibrated_value > 25 THEN 'High Temperature'
           WHEN cd.sensor_type = 'temperature' AND cd.calibrated_value < 0 THEN 'Low Temperature'
           WHEN cd.sensor_type = 'humidity' AND cd.calibrated_value > 80 THEN 'High Humidity'
           ELSE NULL
       END AS violation_type
   FROM calibrated_data cd
   WHERE cd.sensor_type IN ('temperature', 'humidity')
)
SELECT
   v.vehicle_label,
   o.object_label,
   v.registration_number,
   v.model,
   vio.device_time,
   vio.sensor_name,
   vio.calibrated_value,
   vio.violation_type
FROM violations vio
JOIN raw_business_data.objects o
  ON o.device_id = vio.device_id
LEFT JOIN raw_business_data.vehicles v
  ON v.object_id = o.object_id
ORDER BY vio.device_time DESC;

Paradas não autorizadas (Últimas 24 horas)

Este caso identifica paradas não autorizadas ou não planejadas realizadas por veículos nas últimas 24 horas. Ajuda a detectar possíveis violações de rotas de entrega, pausas não autorizadas ou tempo ocioso que podem afetar a eficiência de combustível e o desempenho do SLA.

A consulta analisa pontos de localização com velocidade baixa ou zero usando a A consulta usa a tabela tracking_data_core de raw_telematics_data para extrair dados de localização em séries temporais e velocidade. Uma parada é detectada quando a velocidade cai abaixo de 3 km/h por uma duração de mais de 2 minutos. Usando funções LAG e LEAD, a consulta segmenta esses períodos de baixa velocidade para determinar timestamps de início e fim da parada.

Para detectar paradas não autorizadas, ela filtra locais que estão dentro de zonas com geofence conhecidas (tabela zones) usando ST_DWithin do PostGIS. Apenas paradas fora de qualquer buffer de zona são relatadas. O resultado inclui ID do veículo, rótulo do objeto, registro, timestamps, duração e coordenadas para cada parada.

WITH speed_data AS (
    SELECT
        td.device_id,
        td.device_time,
        td.speed / 100.0 AS speed_kph,
        td.latitude / 1e7 AS lat,
        td.longitude / 1e7 AS lon
    FROM raw_telematics_data.tracking_data_core td
    WHERE td.device_time >= now() - interval '1 day'
),
low_speed_points AS (
    SELECT
        *,
        LAG(device_time) OVER (PARTITION BY device_id ORDER BY device_time) AS prev_time,
        LAG(speed_kph) OVER (PARTITION BY device_id ORDER BY device_time) AS prev_speed
    FROM speed_data
),
stops_marked AS (
    SELECT *,
        CASE 
            WHEN speed_kph < 3 AND (prev_speed >= 3 OR prev_speed IS NULL) THEN 1 
            ELSE 0 
        END AS stop_start,
        CASE 
            WHEN speed_kph >= 3 AND prev_speed < 3 THEN 1 
            ELSE 0 
        END AS stop_end
    FROM low_speed_points
),
stop_segments AS (
    SELECT
        device_id,
        device_time AS stop_start_time,
        LEAD(device_time) OVER (PARTITION BY device_id ORDER BY device_time) AS stop_end_time,
        lat,
        lon
    FROM stops_marked
    WHERE stop_start = 1
),
unauthorized_stops AS (
    SELECT
        ss.*,
        EXTRACT(EPOCH FROM (ss.stop_end_time - ss.stop_start_time))/60 AS stop_duration_min
    FROM stop_segments ss
    LEFT JOIN raw_business_data.zones z ON
        ST_DWithin(
            ST_SetSRID(ST_MakePoint(ss.lon, ss.lat), 4326)::geography,
            ST_SetSRID(ST_MakePoint(z.circle_center_longitude, z.circle_center_latitude), 4326)::geography,
            z.radius
        )
    WHERE z.zone_id IS NULL  -- não dentro de nenhuma zona conhecida
      AND EXTRACT(EPOCH FROM (ss.stop_end_time - ss.stop_start_time)) > 120  -- mínimo 2 minutos
),
with_metadata AS (
    SELECT
        us.*,
        o.object_label,
        v.vehicle_label,
        v.registration_number
    FROM unauthorized_stops us
    JOIN raw_business_data.objects o ON o.device_id = us.device_id
    LEFT JOIN raw_business_data.vehicles v ON v.object_id = o.object_id
)
SELECT
    vehicle_label,
    registration_number,
    object_label,
    stop_start_time,
    stop_end_time,
    ROUND(stop_duration_min, 1) AS stop_duration_minutes,
    ROUND(lat, 6) AS latitude,
    ROUND(lon, 6) AS longitude
FROM with_metadata
ORDER BY stop_start_time DESC;

Detecção de uso fora do horário

Este caso identifica instâncias onde veículos são operados fora do horário comercial normal — definido aqui como segunda a sexta-feira, 09:00–18:00. Tais detecções são essenciais para sinalizar uso não autorizado, identificar potencial mau uso do veículo, e melhorar segurança do ativo.

A lógica é construída sobre a tabela tracking_data_core de raw_telematics_data, que registra eventos GPS com timestamp por dispositivo. Derivamos a dia da semana e local hora de uso a partir de cada entrada device_time e filtramos registros fora da janela comercial definida

(ou seja, antes das 9h, após as 18h, ou a qualquer momento nos finais de semana). Para fornecer clareza, enriquecemos os dados GPS com metadados de objeto e veículo de raw_business_data (por exemplo, rótulo do veículo, registro, ID do objeto). Para resumos mais significativos, opcionalmente agregamos o uso para contar quantos eventos fora do horário

ocorreram por veículo e quando aconteceram. Isso pode ajudar a identificar padrões ou reincidentes.
    SELECT
        td.device_id,
        td.device_time,
        WITH gps_events AS (
        EXTRACT(DOW FROM td.device_time) AS day_of_week, -- 0=Domingo, 6=Sábado
        EXTRACT(HOUR FROM td.device_time) AS hour_of_day,
        td.latitude / 1e7 AS latitude,
    FROM raw_telematics_data.tracking_data_core td
    td.longitude / 1e7 AS longitude
),
WHERE td.device_time >= now() - interval '7 days'
    SELECT
        off_hour_events AS (
    ge.*
    FROM gps_events ge 
        WHERE
        day_of_week IN (0, 6)  -- Sábado ou Domingo 
        OR hour_of_day < 9
),
with_metadata AS (
    SELECT
        o.object_label,
        v.vehicle_label,
        v.registration_number,
        e.first_name || ' ' || e.last_name AS driver_name,
        OR hour_of_day >= 18
        o.object_id,
        o.device_id,
        o.create_datetime,
        ge.device_time,
        ge.latitude,
        ge.longitude,
        ge.day_of_week,
    ge.hour_of_day
    FROM off_hour_events ge
    LEFT JOIN raw_business_data.vehicles v ON v.object_id = o.object_id
    JOIN raw_business_data.objects o ON ge.device_id = o.device_id 
        LEFT JOIN raw_business_data.driver_history dh ON dh.object_id = o.object_id
    AND dh.changed_datetime <= ge.device_time
)
SELECT
    object_label,
    vehicle_label,
    registration_number,
    LEFT JOIN raw_business_data.employees e ON e.employee_id = dh.new_employee_id
    device_time,
    driver_name,
    TO_CHAR(device_time, 'Day') AS weekday,
    TO_CHAR(device_time, 'HH24:MI') AS time_of_event,
    ROUND(latitude::numeric, 6) AS lat,
FROM with_metadata
ORDER BY device_time DESC;

ROUND(longitude::numeric, 6) AS lon

Contagem de viagens por dia Este caso mede quantas viagens cada veículo completa diariamente e quão longe eles viajam, ajudando as equipes logísticas a avaliaruso do veículo

, otimizar rotas e detectar anomalias como viagens incompletas ou uso não reportado. Para definir umaviagem , usamos uma mudança no estado de movimento do veículo — ou seja, transição de parado para em movimento e de volta para parado. Usando os valores de velocidade da tabela tracking_data_core, a consulta segmenta os dados com base nessas transições. Uma viagem é identificada como um período contínuo de movimento

onde a velocidade permanece acima de um limiar (por exemplo, >5 km/h).

• Cada viagem inclui: A timestamp e localização de início (primeiro ponto em movimento)

• Um timestamp e localização de fim (último ponto em movimento antes de parar)

• O Distância de Haversine entre localizações de início e fim

Calculamos a contagem de viagens e a distância total por dia por veículo, opcionalmente enriquecidas com rótulos de veículo da tabela vehicles.

WITH base_points AS (
    SELECT
        td.device_id,
        td.device_time,
        td.latitude / 1e7 AS lat,
        td.longitude / 1e7 AS lon,
        td.speed / 100.0 AS speed_kph,
        LEAD(td.speed / 100.0) OVER (PARTITION BY td.device_id ORDER BY td.device_time) AS next_speed,
        LAG(td.speed / 100.0) OVER (PARTITION BY td.device_id ORDER BY td.device_time) AS prev_speed
    FROM raw_telematics_data.tracking_data_core td
    td.longitude / 1e7 AS longitude
),
trip_segments AS (
    SELECT
        *,
        CASE 
            WHEN speed_kph >= 5 AND (prev_speed < 5 OR prev_speed IS NULL) THEN 'start'
            WHEN speed_kph < 5 AND prev_speed >= 5 THEN 'end'
        END AS trip_marker
    FROM base_points
),
trip_points AS (
    SELECT
        device_id,
        device_time AS trip_start_time,
        lat AS start_lat,
        lon AS start_lon,
        LEAD(device_time) OVER (PARTITION BY device_id ORDER BY device_time) AS trip_end_time,
        LEAD(lat) OVER (PARTITION BY device_id ORDER BY device_time) AS end_lat,
        LEAD(lon) OVER (PARTITION BY device_id ORDER BY device_time) AS end_lon
    FROM trip_segments
    WHERE trip_marker = 'start'
),
trip_metrics AS (
    SELECT
        tp.device_id,
        tp.trip_start_time,
        tp.trip_end_time,
        tp.start_lat,
        tp.start_lon,
        tp.end_lat,
        tp.end_lon,
        tp.trip_start_time::date AS trip_day,
        -- Distância aproximada usando a fórmula de Haversine (em km)
        111 * SQRT(POWER(tp.end_lat - tp.start_lat, 2) + POWER((tp.end_lon - tp.start_lon) * COS(RADIANS(tp.start_lat)), 2))::numeric AS distance_km
    FROM trip_points tp
    WHERE tp.trip_end_time IS NOT NULL
)
SELECT
    v.vehicle_label,
    v.registration_number,
    tm.device_id,
    tm.trip_day,
    COUNT(*) AS trip_count,
    ROUND(SUM(tm.distance_km), 2) AS total_distance_km
FROM trip_metrics tm
JOIN raw_business_data.objects o ON o.device_id = tm.device_id
LEFT JOIN raw_business_data.vehicles v ON v.object_id = o.object_id
GROUP BY v.vehicle_label, v.registration_number, tm.device_id, tm.trip_day
ORDER BY tm.trip_day DESC, v.vehicle_label;

Contagem de Quilometragem por Veículo por Dia (Últimos 7 Dias)

Este caso calcula a quilometragem diária (em quilômetros) para cada veículo nos últimos 7 dias. É fundamental para monitorar a utilização do veículo, monitorar eficiência de combustível, planejar manutenção, e detectar subutilização ou uso excessivo.

Extraímos todos os registros de GPS de tracking_data_core dos últimos 7 dias. Cada ponto de GPS tem um timestamp, latitude e longitude. Para cada veículo e cada dia, nós:

1. Ordenamos os pontos de GPS cronologicamente por dispositivo.

2. Calculamos a distância entre pontos consecutivos usando a fórmula de Haversine.

3. Somamos as distâncias por dia por dispositivo para obter a quilometragem total.

Essa abordagem fornece alta precisão sem depender de sensores de odômetro externos. Opcionalmente, a consulta faz join com objects e vehicles para enriquecer os resultados com metadados do ativo.

WITH gps_points AS (
    SELECT
        td.device_id,
        td.device_time,
        td.device_time::date AS trip_day,
        td.latitude / 1e7 AS lat,
        td.longitude / 1e7 AS lon,
        LAG(td.latitude / 1e7) OVER (PARTITION BY td.device_id, td.device_time::date ORDER BY td.device_time) AS prev_lat,
        LAG(td.longitude / 1e7) OVER (PARTITION BY td.device_id, td.device_time::date ORDER BY td.device_time) AS prev_lon
    FROM raw_telematics_data.tracking_data_core td
    td.longitude / 1e7 AS longitude
),
distances AS (
    SELECT
        device_id,
        trip_day,
        -- Aproximação da fórmula de Haversine em km
        111 * SQRT(POWER(lat - prev_lat, 2) + POWER((lon - prev_lon) * COS(RADIANS(lat)), 2)) AS segment_distance_km
    FROM gps_points
    WHERE prev_lat IS NOT NULL AND prev_lon IS NOT NULL
      AND ABS(lat - prev_lat) < 1 AND ABS(lon - prev_lon) < 1 -- excluir outliers
)
SELECT
    v.vehicle_label,
    v.registration_number,
    o.object_label,
    d.device_id,
    d.trip_day,
    ROUND(SUM(d.segment_distance_km)::numeric, 2) AS mileage_km
FROM distances d
JOIN raw_business_data.objects o ON o.device_id = d.device_id
LEFT JOIN raw_business_data.vehicles v ON v.object_id = o.object_id
GROUP BY v.vehicle_label, v.registration_number, o.object_label, d.device_id, d.trip_day
ORDER BY d.trip_day DESC, v.vehicle_label;

Relatório de Registro de Eventos do Veículo

Este caso fornece um relatório abrangente de todos os eventos relacionados ao veículo (por exemplo, ignição, porta aberta, frenagem brusca, etc.) em toda a frota. Inclui tipo de evento, timestamp, e contexto do veículo, permitindo que as equipes de operações auditem comportamentos, rastreiem atividade anormal ou gerem alertas e análises.

A fonte primária é a tabela states do schema raw_telematics_data. Cada linha inclui: device_id (origem do evento), device_time (timestamp), state_name (rótulo do evento) e value (status ou medição).

Para criar um relatório utilizável:

1. Extraímos todos os registros dos últimos 7 dias.

2. Agrupamos por tipo de evento, veículo, e data para fornecer uma contagem de quão frequentemente cada evento ocorreu e quando ocorreu.

3. Enriquecer os resultados com metadados do veículo (vehicle_label, registration_number, object_label) via objects e vehicles.

Isso fornece uma linha do tempo de eventos diária em toda a frota - essencial para diagnósticos, análise comportamental e manutenção proativa.

WITH raw_events AS (
    SELECT
        s.device_id,
        s.device_time,
        s.device_time::date AS event_day,
        s.state_name,
        s.value
    FROM raw_telematics_data.states s
    WHERE s.device_time >= now() - interval '7 days'
),
with_vehicle_info AS (
    SELECT
        re.device_id,
        re.event_day,
        re.device_time,
        re.state_name,
        re.value,
        v.vehicle_label,
        v.registration_number,
        o.object_label
    FROM raw_events re
    JOIN raw_business_data.objects o ON o.device_id = re.device_id
    LEFT JOIN raw_business_data.vehicles v ON v.object_id = o.object_id
),
event_summary AS (
    SELECT
        event_day,
        state_name,
        vehicle_label,
        registration_number,
        object_label,
        COUNT(*) AS event_count,
        MIN(device_time) AS first_occurred,
        MAX(device_time) AS last_occurred
    FROM with_vehicle_info
    GROUP BY event_day, state_name, vehicle_label, registration_number, object_label
)
SELECT
    event_day,
    vehicle_label,
    registration_number,
    object_label,
    state_name AS event_type,
    event_count,
    first_occurred,
    last_occurred
FROM event_summary
ORDER BY event_day DESC, vehicle_label, state_name;