交通领域大数据分析和应用的场景会相当多，这里面要注意两点，一个是大数据本身的技术处理平台，一个是数据分析和挖掘算法。具体场景当时写过点内容，如下：
对于公交线路规划和设计是一个大数据潜在的应用场景，传统的公交线路规划往往需要在前期投入大量的人力进行OD调查和数据收集。特别是在公交卡普及后可以看到，对于OD流量数据完全可以从公交一卡通中采集到相关的交通流量和流向数据，包括同一张卡每天的行走路线和换乘次数等详细信息。对于一个上千万人口的大城市而言，每天的流量数据都会相当大，单一分析一天的数据可能没有相关的价值，而分析一个周期的数据趋势变化则会相当有价值。结合交通流量流向数据趋势变化，可以很好的帮助公交部门进行公交运营线路的调整，换乘站的设计等很多内容。这个方法可能很早就有人想到，但是在公交卡没有普及或海量数据处理和计算能力没有跟上的时候确实很难实际落地操作，而现在则是完全可以落地操作的时候了。

从单一的公交流量流向数据动态分析仅仅是一个方面，大数据往往更加强调相关性分析。比如对于在某一个时间段内公交流量和流向数据发生明细的趋势变化的时候，这个趋势变化的究竟和哪些潜在的大事件或其它影响因素的变化存在相关性，如何去分析这些相关性并做出正确的应对。举个简单的例子来说，当市中心区内的房屋租金持续增长的时候一定会影响到交通流的变化，很多人可能会搬离到更远的地方去居住，自然会形成更多的新增公交流量和流向信息。在《大数据时代》里面谈到更多的会关心相关性而不是因果只是一个方面的内容，实际上往往探索因果仍然很重要，就拿尿片和啤酒的例子来说看起来很简单，但是究竟是谁发现了这种相关性才更加重要，发现相关性的过程往往是从果寻因的过程，否则你也很难真正就确定是具备相关性。 其次就智能交通来说，现在的智慧交通应用往往已经能够很方面的进行整个大城市环境下的交通状况监控并发布相应的道路状况信息。在GPS导航中往往也可以实时的看到相应的拥堵路况等信息，而方便驾驶者选择新的路线。但是这仍然是一种事后分析和处理的机制，一个好的智能导航和交通流诱导系统一定是基于大量的实时数据分析为每个车辆给出最好的导航路线，而不是在事后进行处理。对于智能交通中的交通流分配和诱导等模型很复杂，而且面对大量的实时数据采集，根据模型进行实时分分析和计算，给出有价值的结果，这个在原有的信息技术下确实很难解决。随着物联网和车联网，分布式计算，基于大数据的实时流处理等各种技术的不断城市，智能的交通导航和趋势分析预测将逐步成为可能。 还有一个在国外大片中经常能够看到的就是实时的车辆追踪，随着智慧城市的建设，城市里面到处都是摄像头采集数据，当锁定一个车辆后如何根据车辆的特征或车牌号等信息，实时的追踪到车辆的行走路线和位置。这里面往往需要实时的视频数据采集，采集数据的实时分析和比对，给出相应的参考信息和数据。这个个人认为是具有相当大的难度，要知道对于视频流和图像信息的比对和分析往往更加耗费计算资源，需要更长的计算周期，要从城市成千上万个摄像头里面采集数据并进行实时分析完全满足大数据常说的海量数据，异构数据，速度和价值等四个维度的特征。基于车辆能够做到，基于人当然同样也可以做到，希望这类应用能够逐步的出现，至少现在从硬件水平能力和技术基础上已经具备这种大数据应用的能力。