基於小波分析和神經網絡AID算法（2002）由周雪銘提出。與傳統的算法相比，算法選用占有率參與檢測能更準確的實現數據分類。
基於小波包分析的交通事件自動檢測算法（2004）由劉偉銘提出。結合I-880實際速度數據測試顯示，小波包變換對事件信息的處理更優。
梁新榮（2006）用支持向量機分類方法研究高速公路交通事件檢測的問題。根據事件影響下交通參數的變化規律設計支持向量機的輸入向量，實際數據測試結果表明算法檢測率高、訓練時間短、泛化能力好。
基於支持向量機的高速公路AID算法（2007）由薑桂豔提出。算法設計了能夠反映交通流狀態的特征向量輸入支持向量機，模擬數據測試顯示算法檢測效果的有效性和可移植性都明顯優於加州算法、MLF算法。
多種支持向量機及其組合形式的高速公路AID算法（2007）由蔡誌理提出。算法設計了多個交通變量輸入支持向量機。結合vissm仿真數據測試顯示檢測效果優勢明顯，但對SVM輸入向量的設計過於主觀。
4、高速公路AID算法研究展望
國外高速公路AID算法的研究開展時間較早，研究多以道路檢測器采集獲得的基本交通流數據為基礎開展，各算法中涉及的交通變量的選取數量經曆了從單變量到多變量轉化階段，選擇範圍尺度經曆了從時間變化到空間變化轉變過程，理論基礎經曆了從數理統計分析等常規方法向人工智能方法的發展曆程。
以常規方法為基礎的早期AID算法大都是在對所選定交通變量之間的關係以及變化規律進行推導、假設的基礎上構建模型並利用仿真或實際數據進行檢測。此類算法能在一定程度上較好地描述交通流實際運行狀態，其中也存在較為經典算法如加州算法。但此類模型大多需要標定閾值來實現檢測，不合理的閾值標定會影響算法的檢測效果。
隨著研究的進展，以人工智能技術為基礎的AID算法成為新的研究方向。此類算法不用固定的數學模型即可實現對事件模式與非事件模式的分類但大都需要設定交通變量參與檢測，而已有算法對交通變量的選定都不夠規範。交通變量選定過多，會造成所包涵信息過於冗餘甚至重複進而影響檢測效率；選定過少，會造成包涵信息不完備進而影響檢測效果。所以在能夠充分多角度設計交通變量的基礎上，尋找一種有效的方法來對交通變量給予合理選取再配合人工智能理論才能從根本上提高高速公路AID算法的整體檢測性能。
5、結語
本文分析了國內外高速公路AID算法的研究現狀，在此基礎上提出了高速公路AID算法的研究方向。在有效篩選交通變量的基礎上配合人工智能技術進行AID算法的設計，才能從根本上提高高速公路AID算法的整體檢測性能。
參考文獻
[1]薑桂豔.道路交通狀態判別技術與應用[M].北京：人民交通出版社，2004.
[2] Martin P.T.，Perrin H.J.，Hansen B.G. Incident detection algorithm evaluation[J]. University of Utah，March，2001.
[3]薑紫峰，劉小坤.基於神經網絡的交通事件自動檢測算法[J].西安公路交通大學學報，2000.
[4]周雪銘.基於小波分析和神經網絡的交通事件自動檢測算法算法[J].公路與汽運，2002.
[5]蔡智理.高速公路交通事件自動檢測算法研究[D].長春：吉林大學，2007.4.