혼잡도가 중간에서 심각한 교통 상황 하에서, 사고 후 대응의 신속성은 탐지 시간의 직접적인 함수임. 정확하고 빠른 사고 탐지(incident detection)는, 사고로 인한 혼잡을 감소시키는 목적을 가진 이후의 관리 계획에 필수적임. 고속도로의 교통 감시 시스템은 사고 관리, 실시간 교통 관리, 이동객 정보, 그리고 위험 대피에 폭넓게 사용됨. 가장 폭넓게 사용되는 방법들 중의 일부는 폐쇄회로 텔레비전(closed circuit television, CCTV) 시스템, 운전자 보고 절차, 고속도로 직원의 순찰, 그리고 자동 사고 탐지(automatic incident detection, AID) 시스템임.

일반적으로 사고 탐지에는 두 가지의 연속된 요소가 포함됨: 교통 데이타의 수집과 수집된 데이타의 분석. 많은 지역에 대해 대규모의 투자가 탐지 하드웨어에 투자가 되어서, 탐지기 하드웨어의 타입을 선택할 수는 없음. 이 경우에, 가장 우수한 분석 모델은 탐지 시스템의 산출물인 데이타에 의해 결정될 수 있음. 누군가 분석 또는 탐지 알고리즘뿐만 아니라 탐지기 하드웨어를 선택할 수 있다면, 훨씬 많은 유연성으로 인해 더욱 견고한 시스템으로 진화할 수 있을 것임.

연구진의 문헌 검토에 근거할 때, 전통적인 자동 사고 탐지 알고리즘의 대부분은 도로 기반의 점 데이타(roadway-based point data)를 사용함. 사고 탐지를 위해 점 데이타를 사용하는 것에는 여러 단점이 있는데, 이러한 단점 중에는 점 유도 루프 탐지기(point inductance loop detector) 데이타를 사용하는 알고리즘들이 높은 비율의 잘못된 경고를 준다는 점임.

사고 탐지 데이타를 개선하기 위해서, 여러 데이타 소스 ？ 예를 들어, 고정된 탐지기(점 데이타 수집)와 차량 탐지기(공간 데이타를 수집) ？ 를 사용하는 것이 입력 데이타의 신뢰성과 완전성을 개선하여 사고 탐지 시스템의 성능을 향상시킬 수 있음.

사고 탐지 알고리즘의 관점에서, 대부분의 연구는 사고 패턴의 불확실성으로 인하여 한 점 탐지기 데이타에 적용되는 기계 학습방법(machine learning methods)에 중점을 두었음. 기계 학습 또는 인공 지능(artificial intelligence) 알고리즘은 복잡한 의사결정과 데이타 분석 절차에서 부정확한 추론과 불확실성을 적용하는 일련의 절차이고, 이러한 과정에서 모든 결정은 기계에 의해 내려짐.

최근, 고속도로 구간에 대한 단기적 혼잡 탐지 알고리즘이 동적 타임 워핑(dynamic time warping, DTW)과 서포트 벡터 머신(support vector machine, SVM)을 사용하여 제안되었음. 일부 연구에 의하면, 이 알고리즘들이 인공 지능 알고리즘보다 더 높은 탐지율과 더 낮은 잘못된 경고율을 보임. 이 두 가지 제안된 방법은 데이타 마이닝(data mining)과 시계열 분류(time series classification)로써 일련의 학문들(통계학, 기계 학습, 인공 지능, 그리고 정보 과학)이 융합된 것임. 이 두 모델에 대한 문헌 검토, 방법론, 및 적용이 다음의 절에서 제시될 것임.

사고 탐지 알고리즘은 일반적으로 운영 데이타 분석 타입에 따라 5개의 그룹으로 나누어짐:

- 비교 알고리즘

- 통계적 알고리즘

- 시계열 및 필터링 기반의 알고리즘

- 교통 이론 기반의 알고리즘

- 첨단 알고리즘

실시간 사고 탐지의 가장 어려운 부분은 "가다 서는 상태가 발생하는 상황(stop-and-go conditions)"에서 사고가 발생하였을 때 교통 패턴의 변화를 인지하는 것임. 불행히도 가다 서는 상태는 평일 아침과 저녁의 출퇴근 시간에 대부분의 도시 고속도로에서 발생하는 경향이 있음. 2005년 물리학 연구소(Institute of Physics)의 연구에 의하면, 차량-도로의 밀도에서 조그만 등락은 연쇄 반응을 일으켜 교통 정체로 이어질 수 있음. 이러한 상황 하에서 많은 수의 조그만 충격파의 발생으로 인해 거시적 교통 흐름 모델에서 일관적인 예측을 얻는 것으로 실제적으로 불가능함. 사고 탐지 노력은 이러한 상황에서는 포기됨.

여러 다른 교통 감시 방법 중에서, CCTV 시스템, 운전자 보고 절차, 고속도로 순찰, 그리고 AID 시스템은 가장 널리 사용되고 있음. 그러나, CCTV 시스템과 AID를 위한 센서 네트워크는 광범위한 인프라 지원을 필요로 함.

많은 연구가 운전자 기반의 사고 탐지 시스템(예를 들어, 첨단 911 서비스)이 적은 비용으로 신속하고 정확한 탐지를 제공할 수 있다고 논의하지만, 이러한 시스템은 휴대폰 사용도가 낮거나 휴대폰의 수신 능력이 좋지 않은 지역에서는 잘 작동하지 않음. 여기에는 항상 심각한 사고 중에는 전화 처리 시스템이 두절되는 위험성이 있음. 고속도로 순찰의 노동 집약적 속성은 폭넓은 사용을 제한하는 경향이 있음. 따라서, 고속도로의 교통 감시는 현재 주요 고속도로와 도시 지역에 국한되고 있음.

가장 전통적인 자동 사고 탐지 알고리즘은 도로 기반의 한 점 데이타를 사용함. 한 점 데이타를 사용하는 것은 사고 탐지에 여러 단점을 가지고 있음. 대부분의 시간대에 평균 속도는 가용하지 않으며, 이는 AID 알고리즘의 정확성을 떨어뜨림. 이러한 알고리즘은 이론적으로 단순하고 운영에 있어 실용적이지만, 높은 탐지율과 낮은 잘못된 경고 발생률을 달성하지 못함.

사고 발생 동안에 교통 측정치는 변화함. 점유율(occupancy) 또는 밀도(density)는 사고 발생 지역으로부터 상부쪽으로 증가하고 하부쪽으로 감소하는 반면, 속도와 교통량은 상부쪽으로 감소함. 이렇게 상부 및 하부쪽 교통 측정치 간에 차이는 캘리포니아와 미네소타와 같은 고속도로 AID 알고리즘의 대부분에 대한 토대임. 캘리포니아 알고리즘은 현재 시간의 점유율 정보만을 사용하는데, 동적인 교통의 등락으로 인해 높은 가짜 경고율(false alarm rate, FAR)을 만들어낼 수 있음. 높은 가짜 경고율을 낮추기 위해, 미네소타 알고리즘은 상부쪽 및 하부쪽 상태 간의 차이에 대한 누적 합을 사용함.

AID 알고리즘은 미시 또는 거시적으로 분류될 수 있음. 그러나, 대부분은 거시적이고 점 데이타를 사용함. 사고 탐지 데이타를 개선하기 위해서, 여러 데이타 소스를 사용하는 것이 입력 데이타의 신뢰성과 완벽성을 증진시키고 사고 탐지 시스템의 성능을 향상시킬 수 있는 것으로 예상됨. 운전자는 그들 바로 앞에 있는 하나의 차량이 아니라 교통 흐름의 현재 이동을 고려하기 때문에, 미리 운전 행동을 모방하기 위해 미시적 모델을 구축하는 것은 매우 어려울 수 있음. 미시적 모델링을 가능하게 만들기 위해서, 차량의 궤적 데이타가 필요함.

차량-인프라 통합(vehicle-infrastructure integration, VII) 네트워크에서 차량에 의해 생성되는 궤적 데이타는 기존의 인프라 기반 사고 탐지 시스템 - 예를 들어, 유도 루프 탐지기(inductive loop detectors), 자력계와 자기 탐지기, 전자파 레이다, 자외선, 초음파, 음향 및 비디오 이미지 처리 - 보다 더 신속한 교통 상태 탐지와 더 낮은 가짜 경고율을 제공할 수 있음. 2003년 이후로, 연방 고속도로청(Federal Highway Administration, FHWA)은 VII 구조와 기능적 요구사항의 국가적 개발로 이어진 다양한 노력을 지원하였음. 캘리포니아와 미시간 주는 또한 이러한 프로그램을 시행하기 위한 다양한 방법을 테스트하고 있음.

앞에서 언급된 것처럼, 전통적인 자동화 사고 탐지 알고리즘은 도로 기반의 한 점 데이타를 사용하는데, 이는 AID 알고리즘의 정확성을 감소시킴.

최근의 연구에 근거할 때, 평균 속도, 속도, 간격 및 흐름의 표준편차는 사고 예측에 가장 우수한 지표임. 두 데이타셋 간의 차이점에 대한 통계적 비교를 통해 가장 우수한 지표에 대한 평가를 수행한 Hi-ri-o-tappa(2011)에 의하면, 평균 속도와 속도의 표준편차는 가장 우수한 지표이고, 점유율과 교통 흐름율이 그 뒤를 따름.

앞의 절에서 제시된 문헌 검토에 근거할 때, 가장 견고한 최근의 사고 탐지는 동적 타임 워핑(DTW)와 서포트 벡터 머신(SVM)임.

DTW 알고리즘은 발언자와 발언 사이에 발언 속도에서 차이를 설명하기 위해서 발언 인식의 맥락에서 1970년경에 제안되었음. 이 분야에서 이 방법을 적용한 사례는 "now"와 "nooow" 발언에 대응하는 음향 신호 간에 낮은 거리 점수를 찾기를 원할 때였음. 다른 활용 분야는 유전학이었는데, 이는 유전자 배열과 탐지를 위한 것이었음. 

이 알고리즘에 대한 흥미로운 사실은 시간 이외의 다른 차원(예를 들어, 형상의 인식을 위한 각도)을 뒤틀 수 있다(warp)는 것임. DTW는 아직 교통 분야에서 폭넓게 사용되지는 않았음. Chandrasekaran et al.은 차량의 속도 변동성을 추적하기 위해서 DTW의 개념을 교통 분야에 처음으로 가져왔음. 그 이후로, 이를 교통에 적용하는 연구가 일부 있음.

SVM은 1993년에 Cortes and Vapnik에 의해 처음 제안되었음. SVM은 교통 분야에서 제한적으로 사용되었음. 이전의 연구에는 ITS의 적용 맥락에서 이동 시간, 교통 속도 및 교통 흐름 예측에 대한 사용을 포함함. SVM은 다양한 교통 분류 문제를 해결하는데 있어 강력하고 견고하며 효율적인 도구임. 게다가, SVM은 고속도로 사고를 탐지하는데 성공적으로 적용되었음. Chowdhury et al.(2006)과 Bhavsar et al.(2007)은 이동 시간의 예측을 위해 SVM을 사용하였음. Xiao et al.(2012)와 Cai et al.(2010)은 사고 탐지 결과를 개선하기 위해 표준 SVM 분류자를 수정하였음.

이 연구에서 2개의 사고 탐지 알고리즘 - DTW와 SVM - 을 평가하기 위해서 2 그룹의 실험이 수행되었음. DTW와 SVM 알고리즘에 대한 평가에 의하면, 두 알고리즘 모두 피크 시간 동안에 성공적인 교통 상황을 두 개 - 사고 및 사고 이외 - 로 분류할 수 있었음. 두 모델은 매우 신속한 대응을 만들어 내기 때문에, 두 모델 모두 실시간 사고 탐지의 적용을 위한 후보자가 될 수 있음. 미국 텍사스 주의 댈라스(Dallas)에 있는 고속도로 구간의 네트워크에서 모델이 시행되었음. 두 방법을 비교할 때, 교통 분야에서 DTW의 적용은 매우 새롭고, DTW의 개념은 SVM보다 간단함. SVM의 사용이 가져오는 이점은, 모델은 훈련하고 검증하는데 대량의 데이타셋을 필요로 하지 않는다는 것임. 다른 한편으로, SVM의 정확성은 최적화 문제의 해결책을 통하여 추정된 인자들의 값과 선택된 커넬 함수()에 크게 의존함. 연구진은 모델 테스트를 위해 폭넓은 상태 데이타셋을 만들어내기 위해서 모델 검정과 시뮬레이션을 위한 현장 데이타를 사용하여 이 두 모델을 종합적으로 비교할 것을 제안함.