Aunque el sistema de videovigilancia juega un papel importante en el transporte inteligente, las vistas limitadas de las cámaras dificultan la observación de muchos eventos de tráfico. En este documento, recopilamos y combinamos las variables de flujo de tráfico de los sensores de múltiples fuentes, y proponemos un método PITED basado en Random Forest (RF) e Importancia de Permutación (PI) para la detección de eventos de tráfico. Este modelo selecciona las variables de flujo de tráfico adecuadas mediante la disposición de importancia por permutación, y establece todo el proceso de adquisición, preprocesamiento, cuantificación, modelado y evaluación. Además, se recopilan y prueban datos reales de tráfico en este documento para evaluar el rendimiento del experimento, incluida la tasa de error/falsa de eventos de tráfico y el tiempo de detección promedio. Los resultados experimentales muestran que la tasa de detección es superior al 85% y la tasa de falsas alarmas es inferior al 3%. Esto significa que el modelo es efectivo y eficiente en la aplicación práctica, independientemente de los días laborables y festivos.