この参照アーキテクチャでは、Microsoft Fabric Real-Time Intelligence を使用して、接続されたフリート分析ソリューションを構築する方法を示します。 車両の電子制御ユニット (ECU)、オンボード センサー、テレメトリ システムからのリアルタイム データを処理して、安全で効率的なフリート運用を保証すると同時に、予測メンテナンスと運用の最適化に関する優れた分析情報を提供できます。
GPU、CAN バス ネットワーク、LIN システム、イーサネット接続、ビデオ フィードなど、複数のソースからリアルタイムおよび履歴の車両データをソースできます。 オンボード データ キャプチャ デバイスを備えたコネクテッド 車両は、エンジンの正常性、車両のパフォーマンス、位置追跡、運用メトリックに関する更新を提供します。 デバイス管理システムは、MQTT プロトコルを使用してライブ テレメトリと記録されたデータ ファイルをパイプラインにフィードします。
アーキテクチャの概要
コネクテッド フリート参照アーキテクチャでは、Microsoft Fabric Real-Time Intelligence を使用して、リアルタイムの車両テレメトリを処理し、インテリジェントなフリート管理を可能にする統合分析プラットフォームを作成します。 アーキテクチャは、取り込みと処理、分析、変換、エンリッチ、トレーニング、視覚化、アクティブ化の 4 つの主要な運用フェーズで実装できます。
車両の電子制御ユニット (ECU) とオンボード センサーから車両データをキャプチャします。
接続されている車両は、デバイス管理を実行し、Real-Time インテリジェンス内の Eventstreams に MQTT データを送信します。
データ キャプチャ デバイスは、記録されたデータ ファイルとテレメトリを CAN、LIN、イーサネット、ビデオ ソースから Fabric Data Factory に直接送信します。 次に、すべてのテレメトリ データが結合されて格納される Eventhouse にデータが取り込まれます。 この手順により、詳細な分析のために、多様なデータ ストリームのシームレスな取り込みと処理が保証されます。
Eventstreams に取り込まれるデータは、資産メタデータと資産階層を使用してインモーションで強化され、クリーンでキュレーションされたデータを使用できるようになります。
ステーションごとに時間単位と日単位のビューを使用して、エンリッチされたデータを集計します。
機械学習モデルをリアルタイムで構築、トレーニング、スコア付けして、使用率パターンをより適切に予測して理解します。
フリートオペレーターは、Real-Time ダッシュボードを使用して、トラックアンドトレースクエリやほぼリアルタイムの計算など、フリート情報を視覚化します。
豊富な Power BI では、フリートの位置、予測メンテナンスのしきい値、ジオフェンス追跡、使用率パターンを監視するための完全な分析が提供されます。
アクティベーターを使用して、エンジンの正常性や車両のパフォーマンスなど、リアルタイムの車両データに基づいて自動アラートとアクションを設定します。
運用フェーズ
取り込みと処理
Eventstreams を使用して、エンジンの診断、GPS 位置の更新、ドライバーの動作メトリックなど、接続されている車両からリアルタイムのテレメトリ データを取り込みます。 1 秒未満の待機時間で IoT イベントを処理し、フリートの運用と車両のパフォーマンスを包括的に可視化します。 車両の仕様、ルートの詳細、ドライバー情報をリアルタイムで統合して、フリートの最適化に関する実用的な分析情報を提供します。
Data Factory を使用して、車両管理システムから OneLake に車両と資産の情報を収集して同期します。 メタデータを毎日更新します。これには次が含まれます。
- 車両の仕様と運用メトリック
- ドライバー プロファイルとルート割り当て
- メンテナンス スケジュールとサービス履歴
- 車両利用パターンとパフォーマンスベンチマーク
10,000台の車両を管理する主要なフリートオペレーターは、1日あたり500万台を超える車両イベントを処理します。 これらのイベントには、10 秒ごとのエンジン診断、GPS の位置情報の更新、燃料消費量メトリック、メンテナンス アラートが含まれます。 Eventstreams 統合は、重要な運用上の決定とフリートの最適化のために 1 秒未満の待機時間を維持しながら、このデータを処理します。
分析、変換、強化
継続的な変換は Eventhouse 内で行われ、リアルタイムの車両テレメトリ データは 、OneLake に格納された資産メタデータでエンリッチされます。 このエンリッチメント プロセスでは、リアルタイム テレメトリと次の情報を組み合わせることで、完全にキュレーションされたすぐに使用できるフリート データが作成されます。
車両仕様 - 運用ベンチマークとメンテナンスのしきい値は、リアルタイムのパフォーマンス メトリックと予想される値を比較するのに役立ち、非効率性や異常を特定できます。
ルート コンテキスト - ルートの詳細とドライバーの割り当ては、運用要因が車両のパフォーマンスとフリートの効率にどのように影響するかについての分析情報を提供します。
履歴パフォーマンス パターン - 長期的な傾向とメンテナンス履歴は、異常の検出、将来の問題の予測、フリート運用の最適化に役立ちます。
環境データの相関関係 - 気象データと交通データの統合により、ルート計画と運用調整の正確な予測が可能になります。
拡張された車両メタデータと集約されたフリートデータを関連付けて、運用パフォーマンスを統一的に表示できます。 このリアルタイム処理では、次の機能が提供されます。
運用の最適化 - 車両のパフォーマンスとルート データの即時の相関関係により、効率的なフリート使用率とリソース割り当てが保証されます。
ドライバーの行動分析 - 運転パターンに関する詳細な分析情報により、カスタマイズされたトレーニング プログラムと安全性の向上が可能になります。
予測メンテナンス - 車両の潜在的な問題を早期に検出することで、ダウンタイムを最小限に抑え、メンテナンス コストを削減します。
Train
データ サイエンス機能を使用して機械学習モデルをリアルタイムで構築、トレーニング、スコア付けし、車両の故障の可能性を予測し、フリート運用を最適化します。 これらのモデルは、受信テレメトリ データと履歴パフォーマンス パターンから継続的に学習し、フリート管理に実用的な分析情報を提供します。 主な予測機能は次のとおりです。
故障予測モデル - 機械学習を使用して、リアルタイムのテレメトリと履歴データに基づいてエンジンまたはコンポーネントの障害を予測します。 これらのモデルにより、プロアクティブなメンテナンス スケジュールが可能で、フリートの信頼性が確保されます。
ドライバーの行動分析 - 運転パターンを分析して傾向や異常を特定します。 これらの分析情報を使用して、ドライバー トレーニング プログラムを改善し、安全性を高めます。
ルートの最適化 - トラフィック パターンを予測し、ルートを最適化して燃料消費量を削減し、配送時間を短縮します。
視覚化とアクティブ化
Fabric Real-Time Intelligence のアクティベーターは、車両のパフォーマンスの問題と予測メンテナンスのニーズに関するリアルタイムの通知を生成します。 このリアルタイムアラート認識を使用することで、システムは手動介入を減らし、迅速な運用対応を可能にします。 主なアラート機能は次のとおりです。
即時メンテナンス対応 - 故障の可能性を示す車両診断の自動アラートを受け取り、故障を防ぐための迅速なアクションを可能にします。
ドライバーの安全に関するアラート - 厳しいブレーキ、迅速な加速、またはスピード違反のイベントに関する通知をトリガーし、全体的なフリートの安全性を向上します。
運用の最適化 - リアルタイム調整を実装してルートを最適化し、燃料消費量を削減し、コスト効率を確保します。
フリートオペレーターは、Eventhouse と OneLake に直接接続された Power BI ダッシュボードを使用して、リアルタイムのフリート データを監視し、包括的なレポートを生成します。 これらのレポートには、次の情報が表示されます。
フリートのパフォーマンス分析 - 車両の使用状況パターンを把握し、詳細レポートを活用して運用効率を評価します。
メンテナンスの追跡 - サービス スケジュールを監視し、メンテナンス履歴を分析して、フリートの信頼性を確保します。
ドライバーの行動に関する分析情報 - 運転パターンを分析して傾向や異常を明らかにし、ターゲットを絞ったトレーニングと安全性の向上を実現します。
Real-Time ダッシュボードは、さまざまなロールのカスタマイズ可能なビューを使用してライブ運用の可視性を提供し、チームがリアルタイム イベントを効果的に監視して対応できるようにします。 これらのダッシュボードには、次の機能があります。
フリートの概要 - リアルタイムの車両ステータスや運用メトリックなど、フリート全体の包括的なビューを取得して、情報に基づいた意思決定を行います。
車両レベルの監視 - 診断、場所、パフォーマンス メトリックなど、個々の車両の詳細な監視にアクセスします。
運用 KPI - 燃料効率、ルートの準拠、メンテナンスのコンプライアンスなど、リアルタイムの主要業績評価指標 (KPI) を追跡します。
Copilot を使用すると、自然言語クエリを使用して、フリートの運用を監視し、リアルタイムの車両データを分析し、潜在的な問題や最適化の機会を特定できます。 このツールを使用すると、複雑なデータ探索が簡単になり、情報に基づいた意思決定を行い、フリートのパフォーマンスと運用効率を向上させることができます。
技術的な利点と成果
リアルタイム車両管理情報
統合データ プラットフォーム - すべての車両テレメトリ データに対して 1 つの信頼のソースを作成します。
リアルタイムの異常検出 - 車両のパフォーマンスの問題を即座に特定します。
スケーラブルなアーキテクチャ - 何千もの接続された車両からの高速データ ストリームを処理します。
統合分析 - リアルタイムデータと履歴データを組み合わせて、包括的なフリート分析情報を得ることができます。
自動車両管理
インテリジェント アラート - 車両のパフォーマンス ルールに基づいてコンテキストに対応した通知を受信します。
自動化されたワークフロー - メンテナンス スケジュール、ジオフェンス監視、ドライバー アラートのトリガーを設定します。
プロアクティブな問題管理 - 車両の正常性とパフォーマンスの最適化に早期警告システムを使用します。
リソースの最適化 - 車両、ルート、およびメンテナンス リソースの動的割り当てを有効にします。
高度な分析機能
自然言語処理 - 会話型 AI を使用して複雑なフリート データにクエリを実行します。
予測分析 - メンテナンスの予測と最適化に機械学習モデルを使用します。
履歴傾向分析 - 車両のパフォーマンスと効率のパターンを特定します。
システム間の相関関係 - リアルタイム イベントを操作履歴データとリンクします。
実装に関する考慮事項
データ アーキテクチャの要件
高スループット処理 - 大規模な車両群（10,000台以上）の数十億の車両イベントを毎秒処理し、ピーク時の負荷に対応できるバースト容量を備えたシステムを設計します。
待機時間の短い処理 - 重大な安全性アラートの応答時間は 1 秒未満、パフォーマンス通知の場合は 3 秒の応答、メンテナンスに関する推奨事項の場合は 15 秒未満の処理を確保します。
データ品質と検証 - 車両識別番号 (VIN)、ECU データ整合性、センサーキャリブレーション値、および自動エラーフラグ付き GPS 座標のリアルタイム検証を実装します。
スケーラビリティ計画 - 車両の使用状況の季節的な変動に対応し、車両の拡張をサポートし、新しい車両の種類とセンサー テクノロジに対応するようにアーキテクチャを設計します。
ストレージ要件 - 大規模なフリートでは 1 か月あたりテラバイトの車両データを計画し、パフォーマンス分析では 2 年間のリテンション期間を、運用データにはホット ストレージを計画します。
セキュリティとコンプライアンス
アクセス制御 - 運用上の責任 (フリート マネージャー、ディスパッチャー、メンテナンス チーム、ドライバー) に合わせてロールベースのアクセス制御を実装します。 すべてのシステム アクセスに多要素認証を使用し、管理機能の特権アクセスを管理します。
監査証跡 - 規制コンプライアンスのための包括的なログ記録を作成します。 変更できない監査ログと自動化されたコンプライアンス レポートを使用して、すべてのデータ アクセス、変更、およびシステム アクションを含めます。
データ プライバシー - 地域のプライバシー規制 (GDPR、CCPA) と、ドライバーと車両のデータ保護に関するフリート固有の要件に準拠していることを確認します。
統合ポイント
フリート管理システム: 業界標準の API とデータ形式を使用して、既存のフリート管理プラットフォーム、車両追跡システム、メンテナンス スケジューリング ツールと統合します。
テレマティクス プロバイダー: サードパーティのテレマティクス デバイス、携帯ネットワーク接続サービス、車両ゲートウェイ システムに API を使用します。
メンテナンス システム: メンテナンス管理プラットフォーム、部品在庫システム、およびサービス スケジューリング アプリケーションとのデータ共有をセキュリティで保護します。
ドライバー アプリケーション: オフライン機能を備えたドライバー モバイル アプリ、車両ステータス ダッシュボード、ルート最適化ツールのリアルタイム データ フィードを提供します。
監視と可観測性
運用の監視:
システム正常性ダッシュボード: システムの異常に対する自動アラートを使用して、Eventstreams のスループット、Eventhouse クエリ パフォーマンス、およびアクティベーター ルールの実行をリアルタイムで監視します。
データ品質の監視: センサーの不足または破損したデータ転送に関するアラートを使用して、着信車両データ ストリームの継続的な検証を行います。
パフォーマンス メトリック: SLA 監視と自動エスカレーションを使用して、データ インジェストの待機時間、クエリ応答時間、アラート配信時間を追跡します。
コストの最適化:
容量管理: フリートのサイズと使用パターンに基づくファブリック容量の適切なサイズ設定、ピーク期間の自動スケールの実装、低アクティビティ期間中のコストの最適化。
データ ライフサイクル管理: 古い車両データを自動的にアーカイブして、低コストのストレージ層、ビジネス要件に合わせた保持ポリシー、重要でないテレメトリ データの削除を行います。
次のステップ
作業の開始
フェーズ 1: 基盤のセットアップ
Microsoft Fabric Real-Time Intelligence の機能を確認し、フリート サイズに対する容量要件を把握してください。
Eventstreams データ インジェスト戦略を計画します。 重要な車両データ (エンジン診断、GPS 追跡、燃料消費量) から始めます。
Eventhouse リアルタイム分析の実装を設計します。 車両の正常性の監視とメンテナンスのアラートに重点を置く。
適切な保持ポリシーを使用して、履歴データストレージと分析用に OneLake を構成します。
フェーズ 2: パイロット実装
車両のサブセット (50 ~ 100 台) を使用してアーキテクチャを検証します。
車両の監視、ドライバーの行動分析、および基本的なアラートのためのコア データ フローを実装します。
シームレスなデータ フローのために、既存のフリート管理システムとの統合を確立します。
さまざまなロールにカスタマイズされたビューを使用して、フリート運用監視用のリアルタイムダッシュボードを展開します。
フェーズ 3: 運用検証
ピーク動作期間中のシステムパフォーマンスとさまざまな運転条件をテストします。
メンテナンス アラート、ジオフェンスの監視、パフォーマンスの最適化に関するアクティベーター ルールを検証します。
データプライバシー規制とフリートマネジメント要件に準拠することを確実にします。
ダッシュボードの使用状況とアラート管理手順について運用チームをトレーニングします。
高度な実装
インテリジェントな自動化と AI
予測メンテナンス ワークフロー、ルートの最適化、ドライバー コーチング プログラムなど、高度なフリート自動化のために Activator を設定します。
自然言語分析用に Copilot を実装します。 チームが「燃料効率が過去 1 週間の平均を下回るすべての車両を表示する」などの複雑なシナリオに対してクエリを実行できるようにします。
車両センサーの履歴データを使用してコンポーネントの故障を予測し、サービス スケジュールを最適化する予測メンテナンス モデルをデプロイします。
車両のパフォーマンス データに基づいてリアルタイムのフィードバックとコーチングを提供するインテリジェントなドライバー アシスタンス システムを作成します。
エンタープライズ規模のデプロイ
複数のリージョンにわたる一元的な監視と分散データ処理を使用して、完全なフリート運用にスケーリングします。
ルートの最適化、燃料効率の向上、総保有コスト分析のための高度な分析を実装します。
Power BI と Real-Time ダッシュボードを使用して、エグゼクティブ レポート、運用監視、規制コンプライアンスのための包括的なダッシュボードを作成します。
需要予測、車両割り当ての最適化、およびドライバーのパフォーマンス向上のための機械学習モデルを開発します。