流计算引擎穿透路内盲区：地磁感应停车收费系统的流式计算架构实践
做城市智慧交通这两年，路内停车这块硬骨头可以说是让几乎所有集成商都头疼过。尤其是地磁感应方案，成本低、施工快，看似是中小城市路内停车收费的最优解，但真正跑起来，运维和账务上的麻烦事全藏在“信号盲区”里。
我们团队从2021年开始跟进华东几个地级市的路内停车项目，最早用的是传统的“地磁上报 定时批处理”架构。地磁埋在车道里，靠NB-IoT往平台发报文，车辆驶入发一条，驶出发一条。理想很丰满，现实是老城区楼宇遮挡、地下管网金属干扰，报文丢失率在某些路段能到8%甚至更高。批处理隔五分钟拉一次数据，发现没收到驶出信号，只能靠人工巡检或者车主自主缴费去兜底，逃费漏费不说，客服投诉电话都被打爆了。
后来我们下定决心对后台架构动刀子，核心就是用流计算引擎替换掉原来的定时任务加关系型数据库轮询。这里头不是简单套个消息队列就完事了，真正有价值的地方，在于怎么用流式的思维去“修补”物理世界的盲区。
在具体的架构实践上，我们把地磁终端、巡检车POS机、以及后来的高位视频抓拍，全部作为异构数据源统一接入消息中间件，由流计算集群去做实时消费与编排。重点解决了三个以前搞不定的问题。
第一，车辆停靠状态的流式状态机重建。地磁本质上只提供“有车/无车”的布尔量，而且由于盲区，可能只收到了驶入没收到驶出。我们在流计算里维护了基于车位编号的键控状态（Keyed State），设定了最长免费停留时间加上最大占位超时时间的状态生命周期。如果地磁缺失了驶出事件，但巡检车经过时拍到空位，或者下一个地磁触发事件覆盖，流计算任务能自动发起“状态补全”并生成一个修正账单事件，推给收费系统。这比后台写存储过程去刷表优雅得多，也实时得多。
第二，乱序与延迟的容忍。路内网络环境复杂，地磁报文迟到几分钟是常事。流计算里的水印（Watermark）机制和事件时间（Event Time）窗口，让我们能够精确处理这种乱序。我们设置了允许延迟到达的兜底窗口，在窗口内如果补齐了驶入驶出对，就触发精准计费；超期未补齐的，进入“疑似盲区工单”流，推送给线下巡检App，而不是盲目开罚单。
第三，多源融合校验。单靠地磁永远有盲区，但流计算可以把视频AI识别结果和地磁信号在毫秒级做关联。比如视频流识别出某车位连续空置10分钟，而地磁状态还是占用，流任务直接打标为“传感器异常”，并自动纠正计费逻辑，避免车主被误扣费。
其实在财务侧，以前的批处理还有一个大坑，就是日终对账极难。地磁丢包造成的“幽灵占位”会导致账面上的在停车辆数和实际巡检数永远对不上，财务月底做结算要花大量人力去调平。流计算架构上线后，所有异常事件都作为旁路流（Side Output）单独输出到审计Topic，正常的计费流和异常审计流解耦。财务人员看大屏的时候，能实时看到“正常结算额”和“盲区兜底结算额”，权责清晰，这块在跟城管局和财政局汇报的时候，比单纯讲技术架构更受认可。
这套架构跑了一年多，最直观的感受是，路内泊位的综合收费率从原先的60%出头提升到了85%以上，更重要的是，因为误计费导致的投诉量下降了七成。而且流计算引擎的资源弹性很好，节假日车流高峰动态扩容，平时缩容，运维成本反而比养着一堆定时脚本要低。
回过头看，路内停车看似是个民生小场景，但要把地磁这种“半聋半瞎”的传感器用好，背后必须有一套能感知时间、能补全状态、能融合多源的流式大脑。这不仅仅是技术选型的问题，更是智慧交通从“看见数据”到“理解事件”的认知升级。未来如果接上车路协同的V2X信号，这套流架构几乎不用大改就能平滑演进，这才是我们看重的地方。
18581869297
