PricingLog inGet startedAsk Navixy AI

Логистика

Кейс по логистике и сборник SQL-рецептов

Включите DataHub перед использованием данных для построения комплексной аналитики. Если у вас его ещё нет, свяжитесь с нами для получения информации об активации - [email protected]

Логистика — это сложная экосистема, включающая координацию транспорта, складских операций, запасов и исполнения доставки. Интеграция телематики в логистические процессы позволяет компаниям собирать данные в реальном времени о транспортных средствах, водителях, маршрутах и состоянии грузов, что существенно улучшает принятие решений и операционную эффективность.

Navixy DataHub с его мощными возможностями приема данных и аналитики временных рядов поддерживает цифровую трансформацию логистических операций, обеспечивая глубокую видимость на каждом этапе жизненного цикла. Его надежные возможности приема телематических данных предоставляют всестороннюю видимость этих операций. Данные GPS в реальном времени, диагностика данных датчиков, геозонирование и аналитика датчиков позволяют операторам логистики цифровизировать рабочие процессы, автоматизировать контроль и принимать обоснованные решения.

Фаза жизненного цикла
Цели
Покрываемые сценарии использования / рецепты

Управление маршрутами

Оптимизировать маршруты транспортных средств, обеспечить эффективное распределение заданий и сократить задержки

Количество поездок в день Подсчет пробега на транспортное средство в день (за последние 7 дней)

Мониторинг груза

Обеспечить надлежащие условия транспортировки чувствительных товаров

События нарушения температуры (и влажности) за последние 7 дней

Эксплуатация транспортных средств

Отслеживать использование парка, обеспечивать техобслуживание и сокращать время простоя

Сводка моточасов по транспортному средству / водителю / дню (за последние 7 дней) Анализ простоя транспортных средств Отслеживание актива без перемещения

Безопасность и охрана маршрута

Обнаруживать злоупотребления, несанкционированную активность и нарушения безопасности

Обнаружение отклонений от маршрута — несанкционированные остановки (за последние 24 часа) Обнаружение использования в нерабочее время

Управление соблюдением требований

Контролировать поведение водителей, обеспечивать выполнение политик и операционную соблюдаемость

Сводка моточасов по транспортному средству / водителю / дню (за последние 7 дней) Обнаружение использования в нерабочее время

Анализ после доставки

Оценивать операционную эффективность и историческую производительность

Отчет журнала событий транспортного средства Подсчет пробега на транспортное средство в день (за последние 7 дней) Количество поездок в день Отслеживание актива без перемещения

Отслеживание актива без перемещения

Этот сценарий выявляет активы (например, транспортные средства или прицепы), которые не изменили свои GPS сравнить минимальные и максимальные координаты в течение периода. Если оба значения попадают в очень узкий диапазон (порог допуска, например ±0,01 градуса), мы помечаем актив как неподвижный. Запрос также объединяет данные с таблицами objects и vehicles в raw_business_data для получения значимых меток активов в выводе результата.

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 -- исключить устройства с очень разреженными данными
	AND((max_lat - min_lat) <= 2000 -- ~10 метров
		OR
      	(max_lon - min_lon) <= 1000  -- ~10 метров
    		)
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;

Анализ простоев транспортных средств

Этот сценарий сосредоточен на анализе продолжительности неработоспособности транспортных средств из‑за технического обслуживания, поломок или простоя. Метрики простоев критически важны для логистических операций: они позволяют контролировать состояние парка, сокращать время бездействия и повышать общую эффективность использования и планирования.

Основой анализа простоев является использование таблицы vehicle_service_tasks из raw_business_data, которая регистрирует как плановые, так и внеплановые события обслуживания. Каждая задача содержит start_date и end_date, представляющие период простоя. Фильтруя по завершенным сервисным задачам, мы можем вычислить точную продолжительность, в течение которой транспортное средство было неработоспособно.

Запрос вычисляет общий простой по транспортному средству, суммируя длительности всех его сервисных задач (в часах). Также возможна детализация по плановому и внеплановому обслуживанию с использованием флага is_unplanned. Чтобы сделать результаты более практическими, выполняется объединение с таблицей vehicles для включения меток транспортных средств, регистрационных номеров и информации о модели.

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;

Обнаружение отклонений от маршрута

Этот сценарий выявляет случаи, когда транспортные средства отклоняются от назначенных или ожидаемых маршрутов — особенно от зон с геозоной или коридоров доставки. Отслеживание таких отклонений помогает обеспечивать соблюдение маршрутов, уменьшать задержки, обнаруживать рискованное вождение и поддерживать SLA по доставке.

Эта логика сравнивает фактические GPS‑позиции транспортного средства из tracking_data_core (в схеме raw_telematics_data) с предопределенными географическими зонами из таблицы zones в raw_business_data. Эти зоны представляют назначенные маршруты или сегменты маршрутов. С помощью геометрических сравнений через ST_DWithin мы определяем, находится ли точка внутри или вне буферной зоны маршрута.

Запрос объединяет каждую GPS‑позицию со всеми известными зонами маршрута с использованием пространственного CROSS JOIN, затем применяет ST_DWithin() для проверки, находилось ли транспортное средство в разрешенном коридоре. Мы выделяем строки, где транспортное средство было вне всех геозонированных маршрутов и помечаем их как отклонения. В итоговом выводе перечислены эти отклонения, включая устройство, отметку времени, метку транспортного средства и расстояние точки до ближайшего центра зоны.

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;

Сводка моточасов по транспортному средству / водителю / дню (за последние 7 дней)

Этот сценарий измеряет, как долго двигатели были включены для каждого транспортного средства на ежедневной основе, позволяя менеджерам парка отслеживать использование, выявлять перерасход или недоиспользование, и соотносить активность с назначениями водителей. При привязке к водителям это также поддерживает проверку отработанных часов и анализ производительности.

Таблица states в raw_telematics_data фиксирует индикаторы состояния двигателя во временных рядах, как правило, с именем состояния вроде 'ignition' и значением 1 (включено) или 0 (выключено). Для расчета моточасов мы находим все временные метки переходов для каждого устройства и вычисляем длительности, когда двигатель был включен (1).

Чтобы связать активность двигателя как с транспортными средствами, так и с водителями, мы используем таблицы objects, vehicles и driver_history из raw_business_data. Мы ассоциируем каждую запись состояния с текущим водителем для этого объекта (через историю назначений водителей) и с соответствующим транспортным средством. Затем группируем данные по дню, транспортному средству и водителю, суммируя общее активное время двигателя (в часах).

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  -- переходы с ВКЛ на ВЫКЛ
),
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;

События нарушения температуры (и влажности) за последние 7 дней

Этот сценарий выявляет показания датчиков — такие как температура или влажность — которые превышают критические пороги во время транспортировки. Мониторинг таких нарушений жизненно важен для отраслей, перевозящих скоропортящиеся товары (например, продукты питания, фармацевтику), чтобы обеспечить соблюдение требований холодовой цепи и предотвратить порчу.

Этот запрос извлекает входные данные датчиков из таблицы inputs в схеме raw_telematics_data. Каждая строка представляет собой показание датчика (например, температура, влажность), записанное в определенный момент времени устройством. Мы фильтруем эти записи, чтобы включить только те, которые поступили за последние 7 дней.

Основная логика фильтрации основана на шаблонах имен датчиков и сравнении их числовые значения по отношению к порогам (например, >25°C для температуры, >80% для влажности). Поскольку значение хранится как текст, мы приводим его к числовому типу перед применением условий порога. Чтобы обогатить результаты, мы выполняем объединение с таблицей objects для получения меток транспортных средств или активов, что улучшает интерпретируемость для менеджеров автопарка.

WITH recent_sensor_data AS (
   SELECT
       i.device_id,
       i.device_time,
       i.sensor_name,
       i.value::float
   FROM raw_telematics_data.inputs i
   WHERE i.device_time >= now() - interval '1 hour'
),
calibration_data AS (
   SELECT
       sensor_id,
       value AS cal_value,
       volume AS cal_volume
   FROM raw_business_data.sensor_calibration_data
),
sensor_meta AS (
   SELECT
       sd.device_id,
       sd.input_label,
       sd.sensor_id
   FROM raw_business_data.sensor_description sd
),
joined_data AS (
   SELECT
       rsd.*,
       sm.sensor_id
   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,
       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 * FROM calibration_data
       WHERE sensor_id = jd.sensor_id AND cal_value <= jd.value
       ORDER BY cal_value DESC LIMIT 1
   ) cd_low ON TRUE
   LEFT JOIN LATERAL (
       SELECT * FROM calibration_data
       WHERE sensor_id = jd.sensor_id AND cal_value >= jd.value
       ORDER BY cal_value ASC LIMIT 1
   ) cd_high ON TRUE
),
violations AS (
   SELECT
       cd.device_id,
       cd.device_time,
       cd.sensor_name,
       cd.calibrated_value,
       CASE
           WHEN sd.sensor_type = 'temperature' AND cd.calibrated_value > 25 THEN 'Повышенная температура'
           WHEN sd.sensor_type = 'temperature' AND cd.calibrated_value < 0 THEN 'Пониженная температура'
           WHEN sd.sensor_type = 'humidity' AND cd.calibrated_value > 80 THEN 'High Humidity'
           ELSE NULL
       END AS violation_type
   FROM calibrated_data cd
   left join raw_business_data.sensor_description sd on sd.device_id = cd.device_id and sd.input_label = cd.sensor_name
   WHERE 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;

Несанкционированные остановки (последние 24 часа)

Этот кейс определяет несанкционированные или незапланированные остановки совершаемые транспортными средствами за последние 24 часа. Он помогает выявлять возможные нарушения маршрутов доставки, неавторизованные перерывы или простой, которые могут повлиять на расход топлива и выполнение SLA.

Запрос анализирует точки геопозиции с низкой или нулевой скоростью Запрос использует таблицу tracking_data_core из raw_telematics_data для извлечения временных рядов с данными о местоположении и скорости. Остановка определяется, когда скорость падает ниже 3 км/ч в течение более 2 минут. С помощью функций LAG и LEAD запрос сегментирует эти периоды низкой скорости, чтобы определить отметки времени начала и конца остановки.

Чтобы определить несанкционированные остановки, он отфильтровывает местоположения, которые попадают в известные геозоны (таблица zones) с использованием ST_DWithin из PostGIS. Только остановки за пределами любого буфера зоны отчитываются. Результат включает ID транспортного средства, метку объекта, регистрационный номер, отметки времени, длительность и координаты каждой остановки.

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  -- not inside any known zone
      AND EXTRACT(EPOCH FROM (ss.stop_end_time - ss.stop_start_time)) > 120  -- minimum 2 minutes
),
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;

Обнаружение использования в нерабочее время

Этот сценарий выявляет случаи, когда транспортные средства эксплуатируются вне обычных рабочих часов — определяемых здесь как с понедельника по пятницу, 09:00–18:00. Такие обнаружения важны для выявления несанкционированного использования, определения потенциального неправильного использования транспортного средства, и повышения безопасности активов.

Логика построена на таблице tracking_data_core из raw_telematics_data, которая фиксирует события GPS с отметкой времени для каждого устройства. Мы выводим локальные день недели и час использования из каждой записи device_time и фильтруем записи вне определённого рабочего окна (т. е. до 9:00, после 18:00 или в любое время в выходные).

Для большей ясности мы обогащаем данные GPS метаданными объекта и транспортного средства из raw_business_data (например, меткой транспортного средства, регистрацией, идентификатором объекта). Для получения более информативных сводок мы по желанию агрегируем использование, чтобы подсчитать, сколько событий вне рабочего времени произошло для каждого транспортного средства и когда они имели место. Это помогает выявлять закономерности или повторных нарушителей.

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
    ГДЕ td.device_time >= now() - interval '7 days'
),
off_hour_events AS (
    SELECT
        ge.*
    FROM gps_events ge
    ГДЕ 
        day_of_week IN (0, 6)  -- суббота или воскресенье
        ИЛИ hour_of_day < 9 
        ИЛИ 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;

Количество поездок в день

В этом случае измеряется сколько поездок каждый автомобиль совершает ежедневно и какое расстояние он преодолевает, помогая логистическим командам оценивать использование автомобиля, оптимизировать маршруты и обнаруживать аномалии, такие как незавершённые поездки или непредставленное использование.

Чтобы определить поездку, мы используем изменение в состоянии движения автомобиля — то есть переход от стоянки к движению и обратно к стоянке. Используя значения скорости из таблицы tracking_data_core, запрос сегментирует данные на основе этих переходов. Поездка определяется как период непрерывного движения когда скорость держится выше порога (например, >5 км/ч).

Каждая поездка включает:

  • Начальную метку времени и местоположение (первая точка в движении)

  • Конечную метку времени и местоположение (последняя точка в движении перед остановкой)

  • Расстояние по формуле Haversine между начальной и конечной точками

Мы вычисляем количество поездок и суммарное расстояние в день для каждого автомобиля, при необходимости дополняя данные метками из таблицы 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
    ГДЕ 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,
        -- Approximate distance using Haversine formula (in km)
        111 * SQRT(POWER(tp.end_lat - tp.start_lat, 2) + POWER((tp.end_lon - tp.start_lon) * COS(RADIANS(tp.start_lat)), 2)) 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;

Mileage Count per Vehicle per Day (Last 7 Days)

This case calculates the daily mileage (in kilometers) for each vehicle over the last 7 days. It is fundamental for tracking vehicle utilization, monitoring fuel efficiency, planning maintenance, and detecting underuse or overuse.

We extract all GPS records from tracking_data_core for the past 7 days. Each GPS point has a timestamp, latitude, and longitude. For each vehicle and each day, we:

  1. Sort GPS points chronologically per device.

  2. Calculate distance between consecutive points using the Haversine formula.

  3. Sum the distances per day per device to get total mileage.

This approach provides high accuracy without relying on external odometer sensors. Optionally, the query joins with objects and vehicles to enrich results with asset metadata.

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
    ГДЕ td.device_time >= now() - interval '7 days'
),
distances AS (
    SELECT
        device_id,
        trip_day,
        -- Haversine formula approximation in 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 -- exclude 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;

Vehicle Event Log Report

This case provides a comprehensive report of all vehicle-related events (e.g., ignition, door open, harsh braking, etc.) across the fleet. It includes event type, timestamp, and vehicle context, allowing operations teams to audit behavior, track abnormal activity, or drive alerts and analytics.

The primary source is the states table from the raw_telematics_data schema. Each row includes: device_id (source of the event), device_time (timestamp), state_name (event label), and value (status or measurement).

To create a usable report:

  1. We extract all records from the last 7 days.

  2. Group them by event type, vehicle, and date to provide a count of how often each event occurred и when it occurred.

  3. Enrich the results with vehicle metadata (vehicle_label, registration_number, object_label) via objects and vehicles.

This gives a daily event timeline across the fleet - essential for diagnostics, behavioral analysis, and proactive maintenance.

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;
ПредыдущаяТиповые запросыСледующаяЛизинг

Последнее обновление

Это было полезно?