面向不平衡数据集的AID算法，它就是利用SMOTE的算法。对于这种倾斜数据集包括前面用的神经网络等等都存在不平衡的分类问题，所以数据有所下降。我们数据层面做的就是怎么让训练级平衡，我们可以进行抽样降低数据集的不平衡性，然后在用一个分类器。
刚才我们提出来一些算法，这些算法是用于高速公路和城市快速路，假设直接用于城市道路检测是有一些问题的，为什么?因为城市道路的交叉口比较多、比较复杂，不像高速公路上的交通流那么简单。再一个就是城市道路上由于交通量很大，行人也很多，所以很多的事件都是通过人工检测的。但是现在随着城市路网的扩大，我们知道拥堵越来越严重，光靠人工难以满足交通管理的需要，所以仍然需要投入精力研究城市道路的交通事件检测。
我们看一下城市交通流的特点：第一是城市道路接入点多，车辆频繁进出、导致路段上的交通流不具守恒性;第二是由于交叉口渠化，转向车辆在进入交叉口前变换车道;第三是信控交叉口的问题;第四是车辆速度不稳定;第五是高峰时刻路段车流拥堵。我们在设计城市道路上的检测算法的时候就要考虑怎么去除不利影响，一个是使用差分方法消除信号控制引入的周期性噪声，协同行程时间，用参数差分流量进行城市路段交通事件检测。
还有一种解决方法是多源数据融合，这个融合包括数据层、决策层和算法层的，我们在这方面也做了一些工作，我们把两种不同来源的数据，一种是感应线圈，一种是浮动车的数据。
关于AID算法，基于多源数据融合的AID算法，将新技术，比如说物联网、手机定位等应用于交通">信息采集，对现有多源交通信息进行融合。我们刚才提到了数据不平衡的问题，还有一个是算法的移植性比较差。
交通事件影响分析方面：一个是空间上面，包括对路网造成的影响;还有一个是持续时间方面，主要是用于交通;第三个是事件清理策略。这在国外已经有例子，我们也是刚刚引进
