具有 Agentic AI功能的车队管理软件

解决方案概述

车队管理涉及多项关键任务，包括跟踪车辆及其状态、优化燃油效率、安排及时维护以及确保合规规。

管理这些任务需要车辆、传感器和操作日志生成的数据。当您将这些信息整合到单一来源时，人工智能可以生成预测性见解和建议。这有助于车队经理有效地运行车队。

该解决方案名为 Leafy Fleet，是一个演示，使用生成式和代理式AI来支持车队经理的工作负载。该解决方案使用MongoDB Atlas提供支持实时分析和复杂地理空间查询的灵活、统一的数据基础，从而改进车队管理操作。主要功能包括：

• Agentic AI助手：询问有关车队状态的自然语言问题，以获得实时见解、可行的建议和决策支持。这样可以立即处理实时操作数据以识别待解决的问题，从而改善合规和维护计划。

• 仪表盘控制：使用MongoDB Atlas Charts监控车队性能和状态，包括燃油油位图表、整体设备效率 (OEE) 随时间变化的趋势、经常出行的城市点的热图以及城市导航的路线图。可视化 OEE 和燃料趋势可改进燃料优化和维护规划。

• 车辆位置跟踪：使用MongoDB的原生地理空间查询来定位特定地理围栏区域内或附近的车辆。这确保了精确高效的车队管理。此功能可增强路由优化并确保准确的实时状态跟踪。

图 1。 Leafy Fleet 的三个主要功能

参考架构

该解决方案使用MongoDB Atlas作为单一数据平台，聚合和操作时间序列、地理空间和向量数据，以启用Agentic AI应用程序。

下面的架构图说明了该演示的主要功能及其互连的工作流程：

图 2。 Leafy Fleet 的高级架构

• 遥测摄取模拟：FastAPI微服务调用生成实时汽车遥测数据并将其发送到后端，模拟连续的车辆指标流。

• 处理和存储：该解决方案处理摄取的遥测数据并将其存储在MongoDB Atlas内的时间序列集合中。

• 自然语言交互：用户通过用自然语言提问来与代理系统交互。 LangGraph 框架协调多个工具来检索相关数据，并将结果发送到 LLM，后者生成连贯、上下文感知的响应。

• 服务集成：所有组件都通过 FastAPI 微服务无缝连接。

数据模型方法

MongoDB集合提供了灵活高效的设置来组织数据，而专门的时间序列集合则优化了遥测数据存储。这些功能启用您能够为车队数据创建统一的事实来源。

Leafy Fleet 使用以下集合来组织数据：

• vehicleTelemetry：存储车辆沿其路线移动时的实时传感器数据、GPS 坐标和性能指标。在演示范围内，该集合有一个生存时间 (TTL)索引，该索引会在12 小时后删除文档。

• vehicles：包括一般车辆信息，如 VIN、年份、型号和分配的驾驶员。

• agent_session：跟踪用户交互和队列管理会话。

• geofences：定义对车队管理系统至关重要的地理边界和操作区域。地理围栏是用于监控和管理特定区域内车辆活动的虚拟边界。每个地理围栏文档都有一个GeoJSON多边形来定义其覆盖的区域。

• checkpoints：跟踪 LangGraph 决策。

• checkpoint_writes：记录带有线程 ID 的检查点。

• historical_recommendations：存储过去AI生成的建议，从而根据历史模式做出明智的决策。

• agent_profiles：定义不同的AI代理配置，每个配置都有特定的角色、指令和队列分析任务的目标。

{
    "timestamp": {
      "$date": "2025-09-22T07:08:54.095Z"
    },
    "metadata": {
      "car_id": 206
    },
    "_id": {
      "$oid": "68d104144dd67072732b9327"
    },
    "sessions": [
      "68d10411665f68254c898943"
    ],
    "max_fuel_level_lt": 65,
    "traveled_distance_km": 9735.08,
    "current_geozone": "riverside",
    "is_engine_running": true,
    "engine_oil_level_lt": 4.5,
    "current_route": 206,
    "quality_score": -0.16,
    "fuel_leve_lt": 23.3,
    "performance_score": 0.82,
    "availability_score": 1,
    "oil_temperature": 95.47,
    "is_oil_leak": false,
    "run_time": 2.8,
    "is_moving": true,
    "speed_km_hr": 25.7,
    "is_crashed": false,
    "average_speed": 25,
    "coordinates": {
      "type": "Point",
      "coordinates": [
        -97.76570129394531,
        30.232519149780273
      ]
    },
    "oee": -0.13
}

构建解决方案

使用此 GitHub存储库 在本地环境中运行此演示。README 将指导您完成以下步骤：

mongorestore --uri "mongodb+srv://<user>:<password>@<cluster-url>" ./dump/leafy_fleet

MONGODB_URI=<YOUR_MONGODB_ATLAS_CONNECTION_STRING>
APP_NAME="leafy_fleet"
AWS_REGION=<THE_AWS_REGION_YOU_SET_UP_YOUR_ACCOUNT_IN>
AWS_PROFILE=<YOUR_AWS_PROFILE_NAME>
ORIGINS="http://localhost:3000" # your local dev server
VOYAGE_API_KEY=<YOUR_VOYAGE_API_KEY>
STATIC_SERVICE_ENDPOINT="http://static-vehicle-service"
TIMESERIES_POST_ENDPOINT="http://timeseries-post-service"
GEOFENCES_SERVICE_ENDPOINT="http://geofence-get-service"

NEXT_PUBLIC_AGENT_SERVICE_URL="localhost:9000"
NEXT_PUBLIC_TIMESERIES_GET_SERVICE_URL="localhost:9001"
NEXT_PUBLIC_SESSIONS_SERVICE_URL="localhost:9003"
NEXT_PUBLIC_GEOSPATIAL_SERVICE_URL="localhost:9004"
NEXT_PUBLIC_SIMULATION_SERVICE_URL="localhost:9006"
NEXT_PUBLIC_STATIC_SERVICE_URL="localhost:9005"

docker network create -d bridge simulation-network

docker compose up -d

关键要点

• 使用MongoDB作为队列管理的基础：MongoDB 的文档模型、时间序列集合和地理空间功能使其成为复杂队列管理使用案例的理想数据平台。它提供处理实时遥测数据、位置跟踪和操作日志所需的可扩展性、灵活性和性能。

• 利用数据简化流程并增强决策能力：通过整合实时遥测、地理围栏监控和性能指标，该解决方案演示了数据如何提高车队运营效率，使车队经理能够更快、更明智地做出决策。

• 通过代理AI赋能车队管理：Leafy Fleet 使用代理AI来解释自然语言查询、编排工具并生成上下文感知见解。这简化了决策并提高了性能，为车队经理创造了响应迅速的体验。

作者

• Fernando Moran, MongoDB

• Kirill Makienko， MongoDB

• Daniel Jamir， MongoDB

了解详情

• 要学习；了解Atlas Vector Search如何支持语义搜索并实现实时分析，请访问Atlas Vector Search页面。

• 要实现检索增强生成架构，请参阅使用Atlas Vector Search进行检索增强生成 (RAG)。

• 要了解MongoDB如何改变车队管理和其他使用案例，请访问制造和移动页面。

• 要详细学习；了解联网车辆信号数据的数据建模策略，请参阅 Agentic AI-Powered Connected Fleet Incident Advisor。