MongoDB GPS 轨迹数据存储与查询设计指南

专注于充分利用 Schema-Free 与 时间序列数据友好优势，适用于车辆、物流、物联网等轨迹场景。

一、方案一：时间序列集合（推荐）

MongoDB 5.0+ 引入了 时间序列集合 (Time Series Collection)，这是处理 GPS 轨迹数据的最优方案。它针对时间序列场景进行了存储优化、查询优化和自动分桶。

1. 创建时间序列集合

db.createCollection("gps_timeseries", {
  timeseries: {
    timeField: "timestamp",   // 必填：时间戳字段
    metaField: "metadata",    // 可选：设备元数据
    granularity: "seconds"    // 可选：seconds, minutes, hours
  },
  expireAfterSeconds: 7776000 // 自动过期 90 天
});

提示：

metaField 存放公共属性，如 deviceId, driverId, licensePlate，便于聚合查询。

granularity 可根据业务场景优化存储和性能。

2. 文档示例

// 丰富信息
db.gps_timeseries.insertOne({
  timestamp: new ISODate("2023-10-27T08:30:00Z"),
  metadata: { deviceId: "truck-123", driverId: "driver-456", licensePlate: "京A12345" },
  location: { type: "Point", coordinates: [116.3974, 39.9093] },
  speed: 65.5,
  heading: 234,
  accuracy: 10,
  fuelLevel: 78.5,
  isMoving: true
});

// 简单记录
db.gps_timeseries.insertOne({
  timestamp: new ISODate("2023-10-27T08:31:00Z"),
  metadata: { deviceId: "truck-123" },
  location: { type: "Point", coordinates: [116.3980, 39.9098] },
  speed: 70.1
});

3. 核心优势

二、方案二：传统集合（兼容旧版本或复杂场景）

对于 MongoDB <5.0，或存在极复杂嵌套结构时，传统集合仍然适用。

1. 文档结构示例

{
  deviceId: "truck-123",
  timestamp: ISODate("2023-10-27T08:30:00Z"),
  gps: { type: "Point", coordinates: [116.3974, 39.9093] },
  speed: 65.5,
  heading: 234,
  extra: { temperature: 28, ioStatus: 1 }
}

{
  deviceId: "car-789",
  timestamp: ISODate("2023-10-27T08:30:00Z"),
  gps: { type: "Point", coordinates: [121.4737, 31.2304] },
  mileage: 12345.6
}

2. 优化建议

1. 索引：

db.gps_data.createIndex({ deviceId: 1, timestamp: 1 })
db.gps_data.createIndex({ gps: "2dsphere" })

2. 分片（大数据量场景）：

sh.shardCollection("db.gps_data", { deviceId: 1, timestamp: 1 })

说明：复合分片键确保同一设备数据尽量存储在同一块，提高查询效率。

三、方案对比

建议：

• 核心场景为写入和按时间查询轨迹点 → 选择时间序列集合
• 复杂嵌套结构或旧版本 → 使用传统集合

四、常用查询示例（时间序列集合）

1. 查询最近一小时轨迹

db.gps_timeseries.find({
  "metadata.deviceId": "truck-123",
  timestamp: { $gte: new Date(Date.now() - 3600*1000) }
}).sort({ timestamp: 1 });

2. 计算平均速度

db.gps_timeseries.aggregate([
  { $match: { "metadata.deviceId": "truck-123",
              timestamp: { $gte: ISODate("2023-10-27T08:00:00Z"),
                           $lt: ISODate("2023-10-27T09:00:00Z") } } },
  { $group: { _id: null, avgSpeed: { $avg: "$speed" } } }
]);

3. 区域内最新点位（地理空间查询）

db.gps_timeseries.find({
  location: {
    $geoWithin: { $geometry: { type: "Polygon", coordinates: [[[116.3, 39.9],[116.4, 39.9],[116.4, 40.0],[116.3, 40.0],[116.3, 39.9]]] } }
  }
}).sort({ timestamp: -1 });

五、最佳实践

1. MetaField 的使用：将公共属性（设备ID、司机ID等）放入 metadata，便于查询和聚合。
2. TTL & 自动清理：利用 expireAfterSeconds 控制历史数据存储成本。
3. 索引策略：时间序列集合仍需对 metadata.deviceId 和 timestamp 建索引以优化查询。
4. Schema-Free 灵活性：动态字段存储非核心数据，如速度、油量、温度、IO 状态。
5. 监控与分片：大数据量时监控集合大小、分片分布，避免热点或性能瓶颈。

六、总结

• 首选方案：时间序列集合，写入高效、查询快速、存储优化、数据过期自动化。
• Schema-Free 优势：支持灵活字段扩展，应对不同设备或业务阶段需求。
• 索引与聚合：即便是时间序列集合，也需合理设计索引、地理空间查询与聚合分析管道。

这种设计完美契合“Schema-Free + 时间序列数据友好”的核心需求。