4. 控制塔数据流架构：数据采集层、计算层、展示层与决策层的交互

控制塔的实时运费成本监控与路径优化能力，依赖于一个清晰、低延迟、可扩展的数据流架构。该架构通常划分为四个逻辑层：数据采集层、计算层、展示层与决策层。各层之间通过标准化的数据管道与API进行交互，形成从原始数据到业务洞察再到执行指令的闭环。

4.1 四层架构总览与交互关系

下图展示了控制塔数据流的完整链路，从底层数据源到顶层决策执行，每一层都承担着特定的职责，并通过箭头标识的数据流向进行协同。

4.2 数据采集层：多源异构数据的统一接入

数据采集层是控制塔的“感官系统”，负责从多个异构源实时或准实时地获取数据。该层需要处理高并发、不同协议（HTTP、MQTT、JDBC）的数据流，并进行初步的格式校验与清洗。

4.3 计算层：核心模型与算法的执行引擎

计算层是控制塔的“大脑”，负责执行运费成本模型与路径优化算法。该层通常分为实时流计算与离线批计算两条链路，以满足不同时效性的业务需求。

• 实时流计算（Flink / Spark Streaming）： 处理 GPS 轨迹、运单状态变更等高频数据，实时计算在途运费预估、ETA 预测、异常停留告警等。
• 离线批计算（Spark / Hive）： 处理历史订单、月度费率结算、大规模路径优化（如多日多车调度），计算结果写入数据仓库（如 ClickHouse）供展示层查询。
• 成本模型计算： 根据费率表、实际里程、油耗、过路费等因子，按订单或按线路聚合计算实际运费与标准运费的偏差。
• 路径优化引擎： 调用 OR-Tools、自研遗传算法或商业求解器，在满足时间窗、车辆容量、司机工时等约束下，输出最优路径方案。

4.4 展示层：数据可视化与异常告警

展示层将计算层产出的结构化数据转化为直观的图表、看板与告警通知。该层面向不同角色（运营人员、管理者、调度员）提供差异化的视图。

• 实时大屏： 展示全局运费趋势、在途车辆热力图、异常事件实时滚动。
• 运费成本看板： 按线路、承运商、时间维度展示标准运费 vs 实际运费对比，支持下钻到单票明细。
• 路径方案对比： 以甘特图或地图形式展示优化前后的路径方案，包括里程、成本、时效等关键指标。
• 告警推送： 当运费偏差超过阈值、路径超时或出现异常停留时，通过邮件、短信或企微机器人推送告警。

4.5 决策层：从洞察到执行的闭环

决策层是控制塔的“双手”，负责将展示层呈现的洞察转化为具体的执行指令。该层支持人工决策与自动决策两种模式。

4.6 层间交互协议与数据格式

为了保证各层之间的高效协作，需要定义统一的交互协议与数据格式。推荐采用以下标准：

• 数据采集层 → 计算层： 使用 Avro 或 Protobuf 序列化格式，通过 Kafka 传输。消息体包含元数据（时间戳、数据源标识）与业务载荷。
• 计算层 → 展示层： 计算结果写入 ClickHouse 或 Elasticsearch，展示层通过 REST API 或 WebSocket 订阅查询。
• 展示层 → 决策层： 用户操作通过 HTTP API 发送至决策服务，决策服务调用工作流引擎（如 Temporal）执行指令。
• 决策层 → 数据采集层： 指令通过消息队列或直接 API 回写至 TMS / WMS，完成闭环。

// 示例：Kafka 消息体（Avro 格式简化示意）
{
  "schema": "com.controltower.event.TransportOrderEvent",
  "payload": {
    "orderId": "ORD20240521001",
    "eventType": "STATUS_CHANGE",
    "timestamp": 1716288000000,
    "data": {
      "status": "IN_TRANSIT",
      "currentLat": 31.2304,
      "currentLng": 121.4737,
      "estimatedCost": 1250.00
    }
  }
}