Logística

Estudo de caso de logística e livro de receitas SQL

Ativar IoT Query antes de utilizar os dados para construir análises abrangentes. Se você ainda não o tiver, entre em contato conosco para obter detalhes de ativação - [e-mail]

A logística é um ecossistema complexo que envolve a coordenação de transporte, operações de armazém, estoque e execução de entregas. A integração da telemática aos processos logísticos permite que as empresas coletem 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 IoT Query, com seus robustos recursos de ingestão de dados e análise de séries temporais, apoia a transformação digital das operações logísticas ao permitir uma visibilidade profunda em cada etapa do ciclo de vida. Seus robustos recursos de ingestão de telemetria fornecem visibilidade abrangente dessas operações. Dados GPS em tempo real, diagnósticos de dados de sensores, geofencing e análise de sensores permitem que os operadores logísticos digitalizem fluxos de trabalho, automatizem controles e tomem decisões informadas.

Fase do ciclo de vida	Objetivos	Casos de uso / receitas cobertos
Gestão de rotas	Otimizar o roteamento dos veículos, garantir a expedição eficiente e reduzir atrasos	Contagem de viagens por dia Contagem de quilometragem por veículo por dia (últimos 7 dias)
Monitoramento de carga	Garantir condições adequadas de transporte para mercadorias sensíveis	Eventos de violação de temperatura (e umidade) nos últimos 7 dias
Operação do veículo	Acompanhar a utilização da frota, garantir a manutenção e reduzir o tempo de inatividade	Resumo de horas do motor por veículo / motorista / dia (últimos 7 dias) Análise do tempo de inatividade do veículo Rastreamento de ativos sem movimento
Segurança e proteção da rota	Detectar uso indevido, 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 o comportamento do motorista, aplicar políticas e conformidade operacional	Resumo de horas do motor por veículo / motorista / dia (últimos 7 dias) Detecção de uso fora do horário
Análise pós-entrega	Avaliar a eficiência operacional e o desempenho histórico	Relatório de registro de eventos do veículo Contagem de quilometragem por veículo por dia (últimos 7 dias) Contagem de viagens por dia Rastreamento de ativos sem movimento

Rastreamento de ativos sem movimento

Este caso identifica ativos (por exemplo, veículos ou reboques) que não alteraram seu GPS compare as coordenadas mínima e máxima durante o período. Se ambos os valores ficarem dentro de uma faixa muito estreita (um limite de tolerância, por exemplo, ±0,01 graus), marcamos o ativo como imóvel. A consulta também faz join com as tabelas de objetos e veículos 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 escassos
	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 do tempo de inatividade do veículo

Este caso se concentra em analisar por quanto tempo os veículos ficam fora de operação devido a manutenção, avarias ou inatividade. As métricas de inatividade são cruciais para operações logísticas monitorarem a saúde da frota, reduzirem o tempo ocioso e melhorarem a utilização geral e a eficiência do agendamento.

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

A consulta calcula a inatividade total por veículo somando as durações de todas as suas tarefas de serviço (em horas). Ela também permite a divisão entre manutenção planejada e não planejada usando o sinalizador is_unplanned. Para tornar os resultados mais acionáveis, ela faz join com a tabela de veículos para incluir rótulos do veículo, 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 situações em que os veículos se desviam de suas rotas atribuídas ou esperadas — especialmente zonas geocercadas ou corredores de entrega. O acompanhamento desses desvios ajuda a garantir a conformidade da rota, reduzir atrasos, detectar comportamento de direção de risco e manter os SLAs de entrega.

Esta lógica compara as posições GPS reais do veículo em tracking_data_core (no esquema raw_telematics_data) com 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 de rota com buffer.

A consulta faz join de 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 em que o veículo estava fora de todas as rotas geocercadas e as sinalizamos como desvios. A saída final lista esses desvios, incluindo o dispositivo, o carimbo de data/hora, o rótulo do veículo e a distância do ponto até o 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 do motor por veículo / motorista / dia (últimos 7 dias)

Este caso mede por quanto tempo os motores ficaram ativos para cada veículo em base diária, permitindo que os gestores de frota acompanhem a utilização, identifiquem uso excessivo ou insuficiente, e correlacionem a atividade com as atribuições dos motoristas. Quando vinculado aos motoristas, ele também oferece suporte a validação das horas de trabalho e análise de desempenho.

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

Para vincular a atividade do motor a veículos e motoristas, usamos as tabelas objects, vehicles e driver_history de raw_business_data. Associamos cada registro de estado ao motorista atual naquele objeto (por meio do 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 — como temperatura ou umidade — que excedem limites críticos durante o transporte. Monitorar essas violações é vital para setores que transportam mercadorias perecíveis (por exemplo, alimentos, produtos farmacêuticos) para garantir a conformidade com os requisitos da cadeia fria e evitar 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 carimbo de data/hora específico por um dispositivo. Filtramos esses registros para incluir apenas os do últimos 7 dias.

A lógica principal de filtragem baseia-se em padrões do nome do sensor e em uma comparação de seus valores numéricos com limites (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 limite. Para enriquecer os resultados, fazemos join com a tabela objects para recuperar rótulos do veículo ou do ativo, o que melhora a interpretabilidade para os 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 'Alta temperatura'
           WHEN cd.sensor_type = 'temperature' AND cd.calibrated_value < 0 THEN 'Baixa temperatura'
           WHEN cd.sensor_type = 'humidity' AND cd.calibrated_value > 80 THEN 'Alta umidade'
           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 feitas por veículos nas últimas 24 horas. Ele ajuda a detectar possíveis violações de rotas de entrega, pausas não autorizadas ou tempo ocioso que pode afetar a eficiência de combustível e o desempenho do SLA.

A consulta analisa pontos de localização com velocidade baixa ou zero usando 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 as funções LAG e LEAD, a consulta segmenta esses períodos de baixa velocidade para determinar os timestamps de início e fim da parada.

Para detectar paradas não autorizadas, ela filtra locais que ficam dentro de conhecidas zonas geocercadas (tabela zones) usando ST_DWithin do PostGIS. Somente paradas fora de qualquer buffer de zona são reportadas. O resultado inclui ID do veículo, rótulo do objeto, registro, timestamps, duração e coordenadas de 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 está dentro de nenhuma zona conhecida
      AND EXTRACT(EPOCH FROM (ss.stop_end_time - ss.stop_start_time)) > 120  -- mínimo de 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 situações em que os veículos são operados fora do horário comercial normal — definido aqui como de segunda a sexta-feira, 09:00–18:00. Essas detecções são essenciais para sinalizar uso não autorizado, identificar possível uso indevido do veículoe melhorar a segurança dos ativos.

A lógica é construída com base na tabela tracking_data_core de raw_telematics_data, que registra eventos GPS com carimbo de data/hora por dispositivo. Derivamos o dia da semana e horário de uso local de cada entrada device_time e filtramos registros fora da janela de negócios definida (ou seja, antes das 9h, depois das 18h ou a qualquer momento nos fins de semana).

Para dar clareza, enriquecemos os dados GPS com metadados do objeto e do veículo de raw_business_data (por exemplo, rótulo do veículo, registro, ID do objeto). Para resumos mais significativos, podemos opcionalmente agregar o uso para contar quantos eventos fora do horário ocorreram por veículo e quando aconteceram. Isso pode ajudar a identificar padrões ou reincidências.

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

Contagem de viagens por dia

Este caso mede quantas viagens cada veículo conclui diariamente e quão longe eles percorrem, ajudando as equipes de logística a avaliar o uso do veículo, otimizar rotas e detectar anomalias como viagens incompletas ou uso não reportado.

Para definir uma viagem, usamos uma mudança no estado de movimento do veículo — ou seja, a 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 em que a velocidade permanece acima de um limite (por exemplo, >5 km/h).

Cada viagem inclui:

• Um carimbo de data/hora e localização de início (primeiro ponto em movimento)

• Um carimbo de data/hora e localização de fim (último ponto em movimento antes de parar)

• A distância de Haversine entre as 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
    WHERE td.device_time >= now() - interval '7 days'
),
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 ao longo dos últimos 7 dias. É fundamental para acompanhar a utilização do veículo, monitorar a eficiência de combustível, planejar manutenção, e detectar subutilização ou superutilização.

Extraímos todos os registros de GPS de tracking_data_core dos últimos 7 dias. Cada ponto de GPS possui um carimbo de data/hora, 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 oferece alta precisão sem depender de sensores externos de hodômetro. 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
    WHERE td.device_time >= now() - interval '7 days'
),
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 Log 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. Ele inclui tipo de evento, carimbo de data/hora, e contexto do veículo, permitindo que as equipes de operações auditem o comportamento, acompanhem atividades anormais ou acionem alertas e análises.

A fonte principal é a tabela states do schema raw_telematics_data. Cada linha inclui: device_id (origem do evento), device_time (carimbo de data/hora), 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 quantas vezes cada evento ocorreu e quando ocorreu.

3. Enriquecemos os resultados com metadados do veículo (vehicle_label, registration_number, object_label) por meio de objects e vehicles.

Isso fornece uma linha do tempo diária de eventos 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;