固定检测器：
1) 天气条件的限制，白天黑夜，雪天天气精度会有波动；
2）大范围安装检测器成本较高；
3）检测器的位置固定，所以相邻检测器距离较远，采集的信息只会是有限空间范围内的交通数据。
移动交通信息采集：
移动交通信息采集技术是指在移动车辆（如公交车）上安装的终端设备通过卫星定位或检测道路特征来获取道路动态参数的方法。例如：安装GPS车载终端系统。
其存在的缺点：受城市高大建筑物、地下通道或隧道的遮挡，存在一些GPS检测“盲区”，导致部分地方数据缺失；受GPS车载终端故障影响，传回数据可能出现错误；GPS数据精度要求较高，但受网络传输的影响，接收到的GPS会出现延迟。
交通拥堵检测算法：
1.加利福尼亚算法，即著名的“加州算法”，它是最早用于道路交通异常事件检测的算法之一，它是以道路占有率参数，通过比较某一路段及其上下游之间的占有率，当该路段和上下游的占有率均超过一定的阈值（如20%），则认为发生了异常时间。算法原理简单，易于理解和实现，但由于只用到占有率一个参数，没有考虑到车流量和车辆速度的问题，对交通偶发性拥堵的判别不够全面。（加州算法实现可以做一下，看看效果，主要要明确算法整个流程，比较上下游占有率，路段占有率这个很难计算，因为路段占有率可能意思是指空间占有率，这个很难得到）
2.基于贝叶斯定理的单因素检测算法，它同样以占有率作为交通流特征参数，需要计算上下游占有率的差分比，通过上游占有率和历史事件信息的比较判定事件发生的概率，从而对道路交通时间进行检测。这种算法利用概率论的思想对交通异常事件进行检测，其不足之处在于：其一，需要知道先验概率；其二，对发生概率较低的交通异常事件的预测效果不尽人意。
3.标准偏差算法，利用交通参数（如占有率）的标准偏差进行交通事件自动检测的算法，该算法首先计算出交通参数的标准差，然后将得到的标准差与预定的阈值进行比较以实现对交通异常事件的检测。若连续多个（2个及以上）检测周期的标准差均超过指定范围，即判定有异常的交通事件发生。
4.自回归移动平均算法，包含三个过程：移动平均过程、自回归过程以及自回归移动平均过程，在使用该算法之前需要对原始监测数据进行平滑去噪处理，同时实现对进行模型的识别与估计。
5.人工神经网络算法，必看：基于BP神经网络的交通异常事件检测模型（马黎和赵丽红）
6.MacMaster算法，该算法基于突变理论的模型，不仅可以检测出道路交通拥堵，还可以检测出道路交通拥堵的类型（偶发性或常发性），在计算效率和实时运行效率等方面具有明显的优越性，在对交通拥堵进行判别的过程中综合考虑交通流、车速和道路占有率等方面因素的影响，但是要考虑道路几何线形等客观因素的差异。
7.基于模糊数学的算法（这一块看看论文）
8.支持向量机算法（SVM）
可以创新的点：
1.大多交通拥堵针对快速路或告诉公路，缺乏对城市道路交通拥堵的分析；
2.城市道路交通正常拥堵与偶发性拥堵，目前还没明确统一的指导性标准；