高德交通大数据统计，在“首堵”北京最堵的时间段，拥堵路段占比也不会超过20%，这意味着如果能把剩下的80%道路利用起来分流，交通效率将会大幅提升。
如何避开20%的拥堵路段呢？
这就需要对规模化的交通大数据进行多层次的算法加工。
在高德和北京交通台合作推出的“路况预判验证”中，高德交通大数据能够自动对比所有路段的历史数据，通过异常的车流数据来预判出某些路段可能发生了交通事件，并在公共交通信息服务平台上做出标注。
例如，北京西五环某一路段，利用交通大数据计算出某一时段内的平均车流速度数据应该是20±5公里/小时，而如果某时刻车流速度突然降到5公里/小时，平台就初步预判此地有交通事件发生，原因可能包括车祸、施工、管制等。
高德地图上报路况界面
而北京交通台则可根据此来号召此正在此路段上行驶的听众，在高德地图客户端上通过语音、照片等上报现实情况，以帮助相关部门确认此地的道路信息状态，并迅速更新、提供绕行或其他解决方案。
今年“五一”后北京交通台的听众就能接收到高德提供的拥堵路段排行、车流时速、拥堵时长等实时交通数据信息——如果你所要前往的路段有幸不在列，就可以选择躲得远远的。
如何确认一条道路是否有事故，背后涉及的数据和算法量级是规模化的。
首先，必须要拥有海量的交通出行数据，有大量的交通数据源体系，而且是不同类型的数据，包括来自行业（出租车、物流车等）和公众两个层面（众包）。目前已经覆盖全国113个城市以及全国高速路网的交通数据。
之后就是构建交通大数据云体系，对数据进行更细分地管理分析。例如出行轨迹。每一辆车出行都有它自身的轨迹特点，但不是所有的轨迹对于交通都是有意义的，所以要利用算法做相关的轨迹切分和轨迹样本数据的选取，过滤掉无效的部分。之后基于有效轨迹，可以对交通路网进行很多的运算，建立数据模型。
高德&清华-戴姆勒可持续交通研究中心合作建立的北四环中路交通数据Cube模型
包括自由车流时间（不拥堵时的理论行驶时间）的计算，旅行时间（实际行驶时间）的计算以及相关的统计；再基于挖掘推算出来的信息，就可以得到更多维度的分析成果，例如高德每季度推出的交通报告，高级分析模型，以及高德交通信息公共服务平台提供的“城市堵点排行”、“热点商圈路况”、“权威交通事件”、“堵点异常监测”等应用。
经过数据的层层迂回过后，北京交通台才得以利用交通大数据第一时间获得拥堵路况和事件信息，播报给听众。
最近流行一个词叫“路怒症”，据说“患者”众多。类似北京这样的路况，谁会不生气？滴滴快的、Uber从交通资源共享的角度切入，缓解了一部分交通拥堵的问题，但彻底解决拥堵仍然不仅仅靠多修或少开几辆车就能解决。信息不对称的问题是缓解交通拥堵的重要核心之一。交通大数据在横向（数据维度）和纵向（数据质量）有很大的可扩展空间，与前端机构和应用的结合想象空间也很大。例如交警队更快、更准确地分配警力资源，交通委和城市规划部门在建设前期的深度分析等。