汽车出行服务-架构设计

通过移动互联网结合人们日常的“衣食住行”场景是目前O2O行业的发展趋势，特别是结合各类型的汽车出行 服务 ，如打车、拼车、租车、代驾等，是目前O2O创业的热点。通过移动互联网匹配乘客与司机的供求，大大改善了人们的出行体验。随着业务的增长，需要对乘客和司机行为进行更为深入的分析，理解乘客与司机的需求，进行更精准的订单匹配和更有效营销补贴。这就需要进行大 数据 分析，并能够将大数据分析结果迅速反馈给业务平台，进行实时的订单匹配和补贴计算，这样才能在激烈的竞争中体现出差异化的服务能力，并且能够有效控制成本。






1.司机位置信息存储。司机的位置信息经由互联网，并通过阿里云提供的负载均衡服务（SLB）转发至业务服务器集群。阿里云提供云服务器（ECS），可以使用这些云服务器构造各类型的业务服务器集群。司机的位置信息被缓存在阿里云提供的缓存服务KVStore中，KVStore是阿里云提供的Redis服务，可以有效的保存司机的实时位置信息，并提供高并发低延迟的查询服务。


2.订单业务流程。乘客通过手机发送服务请求（如打车、拼车、代驾等），这些业务请求通过阿里云提供的负载均衡转发到业务服务器集群，根据业务逻辑，选择合适的司机提供服务，并将服务请求推送到相关司机端。司机响应乘客的服务请求，生成订单，并将订单推送给乘客。订单信息和最终的支付信息被保存在阿里云提供的云数据库RDS中。


3.大数据分析与实时数据服务。为了更为精准的订单匹配和营销补贴，需要根据乘客或者司机的历史数据进行大数据分析，按照不同维度对乘客、司机建立各类型打分或者画像模型。根据这些打分或者画像进行订单匹配，提升订单的成交率。也可以根据大数据分析制定合理的补贴措施，避免营销成本的无效损耗。可以将云数据库中的订单历史信息定期导入到阿里云提供的大数据离线处理平台：开放数据处理服务（ODPS）中，ODPS能够存储海量历史数据，并通过SQL和MapReduce的计算模式，对历史数据进行加工处理。业务分析师和数据挖掘专家利用ODPS提供的强大数据处理能力，构建各类型打分模型和客户画像，形成乘客、司机的基础分析数据。为了支持实时营销与服务，需要将ODPS的离线分析数据导入到阿里云提供的在线分析平台：分析性数据库服务（ADS）中，ADS可以保存海量数据，并支持在线方式的灵活查询，提供在海量数据中的实时数据查询与分析服务。在ADS和业务服务器集群之间，构建实时数据服务集群，这个集群接受来自业务服务器的请求，并根据ADS中保存的客户打分模型或者画像模型，实时返回结果，如订单的智能匹配，补贴优惠的实时计算等。