城市交通问题的深刻化，促使我们构建多维一体化战略对策体系，由此导致了分析对象的扩展、对策体系的扩展和分析范式的变革。为使城市交通大数据分析技术适应这种需求，必须在感知、认知和洞察三个关键环节上取得突破。
（1）感知——研究对象的度量与表征
通过大数据对城市交通系统的感知，是一个将数据组织成为信息的过程，其核心问题是通过非定制数据对研究对象进行度量和表征。其中的度量所涉及的问题包括：观察角度、度量方法、测度抉择等环节。
大数据分析的一种重要任务是发现我们所不知道的事情，因此合理选择观察角度，避免出现重大观测盲区就显得非常重要。而对于行为个体（移动通信用户、IC卡用户和车辆等）连续追踪数据来说，针对时空活动属性进行的聚类分析，实际上是度量其社会属性映射“虚象”的方法。即对于不能直接获得的社会属性（例如是否为就业者），利用个体的时空活动规律给出间接判断（例如识别白天经常有规律外出活动）。建立合理的测度也是大数据度量处理过程中不可回避的问题，例如移动通信信令数据是利用基站服务范围来定义空间位置的，完全根据基站实际情况来进行范围划分，往往出现“乒乓切换”而导致对用户移动的误判。
（2）认知——形成判断的证析框架
交通大数据应用与智能商务领域最大的差异，在于不能完全忽略“因果”。这是由于交通决策具有很强的后效影响所决定的。因此，如何在认知过程中探寻现象背后的因果，而不是简单的关联，成为城市交通领域中大数据技术应用的特殊难点。
传统分析技术核心是“建模”过程，大数据分析技术核心是 “证析”过程。所谓“证”强调的是判断和决策中的证据，尤其是数字化的证据，尽可能充分的证据让我们的决策更加有据可循，增加了判断与决策的公正性和权威性，使得判断和决策更加具有说服力；所谓“析”强调的是通过证据产生洞察，而不是让复杂的数学模型剥夺了我们思考的能力，也避免表象的数字迷惑了我们的判断能力。也就是说，我们需要的是一个人机结合的证析工作程序，而不是一个被数学程式绑架的自动化决策流程。
（3）洞察——大数据与复杂性理论的协同
城市交通之所以被称之为复杂适应系统特征，是由于其涉及综合交通网络、服务体系、城市建成环境、信息和参与者心理等多个维度间复杂的关联，在这种多维空间中的一体化交通战略，不得不面对以前运用抽象思维得出的包含过多假设的片断性知识只能发挥有限作用的窘境。需要在数量关系格局的层次上，不再追求事务变化的因变量与自变量之间的因果性，转而关注整体性格局的变化。大数据分析技术为这种需求带来新的希望，基于大数据观察城市交通中新结构、新模式等方面的涌现，是一种连续考察若干并列概念的数量关系格局及其变化，以及找出这若干并列概念相互影响、共同变化的规律性的思维过程。
面对这样一个存在大量不确定的任务，洞察力显得尤为重要。与认知不同，洞察要求决策者超越经验、超越常规的认识。
克莱因在研究获得洞察力的路径时[[i]]，构建了一个由三条道路构成的模型：①从自相矛盾之处产生洞察力的道路，承认某种反常的合理性，去论证整个框架中最薄弱的思维锚点来重构剧本；②相互联系的道路并不挑战薄弱的思维锚点，而是根据新的信息（例如在不同事物之间看到了某种联系），在意识中增添一个新的锚点，然后再努力思考它们背后究竟意味着什么；③急中生智的道路实际上是积极寻找是否存在某些前提是能够扭转的，排除这种前提，从而改进现实状况。
这些方法背后具有相同的机理，都是为了寻找可能存在的新思维锚点。触发它们的因素都是一样的，当我们注意到新的思维锚点时，我们的思维才会被激发。而利用大数据环境广泛获得的信息，将有助于我们寻找原有认识中的薄弱思维锚点，或者对其证伪，或者建立新的思维锚点。
