在智慧交通领域，大数据平台架构的演进并非一蹴而就。我们曾服务于一个省级交通云控平台项目，其架构经历了从传统“烟囱式”到“湖仓一体”的完整蜕变，这一过程深刻反映了行业对数据治理、实时性与成本控制的极致追求。

初始阶段，项目采用典型的Lambda架构。各业务系统（如信号控制、视频识别）独立建设数据通道，形成数据孤岛。虽然满足了各自吞吐需求，但跨域查询效率极低，例如要分析“某路段车辆轨迹与信号灯联动数据”，需从HBase（轨迹）和MySQL（信控）中分别抽取，再手动关联，延迟高达数小时，且存储冗余严重，运维成本攀升。

为解决痛点，我们引入了Kappa架构，统一使用Kafka作为实时数据总线，并基于Flink进行流处理。此举彻底消除了批、流两条处理路径的维护成本，将数据新鲜度从T+1提升至秒级。然而，随着多源异构数据（如路侧激光雷达的3D点云、收费系统的结构化账单）的涌入，我们发现纯流处理对历史数据的回溯分析能力不足，且Flink状态后端对大量非结构化数据的存储支持有限。

最终，我们迭代至“湖仓一体”架构：以Apache Iceberg作为统一元数据层，底层数据存储在对象存储（如MinIO）中，上层由Doris提供极速OLAP查询，Flink负责实时入湖。这一方案实现了“一份数据，多种用途”——既支持实时交通事件监测，又支持分析师对过去一年的车流趋势进行离线挖掘。架构演进的核心价值在于：通过解耦存储与计算，将数据治理成本降低了40%，同时将跨域查询响应时间压缩至毫秒级，真正实现了从“管数据”到“用数据”的跨越。