智慧城市@@的建设带来数据@@量的爆发式增长@@，城市运作过程中所产生的大数据@@@@@@，包括地图数据@@@@，交通流数据@@@@、人@@口流数据@@以及环境监测数据@@等都能很好的反映城市问题@@，这些数据@@的有效利用对于解决城市问题起到了举足轻重的作用@@。
首先@@，我们以北京出租车分布的例子来看@@。通过相关数据@@分析@@，了解到北京市出租车占北京市道路交通流量的@@20%—25%，从分析北京市出租车数据@@轨迹任务图@@，可以得知@@，哪里的出租车分布比较密集@@，哪里比较疏松@@，这可以反映城市的人@@流状况@@，那么我们就可以根据这一信息采取有必要的手段@@。
打车难一直是困扰广大北京市民出行的一大难题@@，一方面@@，乘客抱怨打车难@@，另一方面@@@@，司机烦恼收入少@@。有人@@说@@，要靠增加出租车数量来缓解打车难的问题@@，但是增加出租车的数量真的能解决问题吗@@?答案是否定的@@，那只会使道路变得更加拥挤@@。面对窘境@@，能否在乘客费用@@、司机收入@@、道路压力之间找一个平衡点@@呢@@?这就需要提高出租车系统容量@@。
如果把出租车看成卡车@@，人@@看成货物@@，那么整个物流效率就会提高@@，通过仿真推算出一年可以节省@@8亿@@，相当于一百辆车跑十个月@@，一个城市的经济价值可以省到十万美金@@，16亿@@千克二氧化碳@@。服务至少可以提高@@300%，但是费用能够降低@@42%，司机收入@@会增加@@16%。
北京市某地比较拥堵@@，不管采取何种措施都不能有效解决问题@@，可能是由于该地的规划不合理@@。通过历史数据@@的累计可以找出某城市规划不合理之处@@。在历史数据@@统计表中用颜色的深浅来判断问题发生的频度@@，其中颜色越深的表示问题发生的频度越高@@，可反映出两个区联动性不好@@，通过该区域的人@@流量很大@@，但是不得不绕路@@，说明规划有问题@@。把近年的数据@@进行对比@@，可以找出该地方拥堵的问题所在@@。然后采取或是修路或是拓宽道路的措施缓解拥堵@@。
通过数据@@分析@@，拥堵可能由于规划不合理@@，即便没有拥堵从来自出租车行驶线路的数据@@仍可以看出潜在的城市规划问题@@。例如@@，某出租车司机或许会绕路从@@A点@@驶向@@B点@@，而不是直接前往@@。所增加的距离或许意味着该司机知道如何找到最快的行驶线路@@。
另一方面@@@@，通过数据@@的统计可以找出城市里面不同的功能区划@@，不同的颜色表示不同的功能@@。比如红色可以表示为北京市的文教科技区域@@，黑色表示成熟的商业区域@@。可能由于各种因素该城市并没有按规划发展@@，但是五年后@@，该城市在哪@@，核心区在哪@@，怎样扩展@@?这样的信息可以更加准确的规划下一个版本的城市@@。
构建智慧城市@@是城市发展的必由之路@@。大数据@@@@在智慧城市@@建设中发挥着巨大作用@@，从政府@@决策与实施@@，到城市的产业布局和规划@@，再到城市的运营和管理@@，甚至我们生活的各个方面@@，注定要被贴上@@“智能@@”的标签@@@@。尤其是在城市规划方面@@，通过对城市地理@@、气象等自然信息和经济@@、社会@@、文化@@、人@@
