CN119445849A - 一种基于机器学习的智能交通引导装置 - Google Patents

Abstract

本发明涉及交通引导技术领域，具体涉及一种基于机器学习的智能交通引导装置，包括智能系统和引导装置本体，智能系统包括以下模块：采集模块，用于采集环境信息；分析模块，用于分析环境信息的成因，得出分析结果；处理模块，用于对环境信息进行处理，得到处理结果；学习模块，用于创建机器学习模型，并根据处理结果训练机器学习模型；预测模块，用于通过机器学习模型对未来交通情况进行预测，得出预测结果，并将预测结果发送到控制模块；控制模块，用于根据预测结果调整引导装置本体的引导策略。本发明通过建立和训练机器学习模型，并通过机器学习模型对未来交通情况进行预测，有效缓解了交通压力，提高了道路通行的效率。

Description

一种基于机器学习的智能交通引导装置

技术领域

本发明涉及交通引导技术领域，具体涉及一种基于机器学习的智能交通引导装置。

背景技术

随着城市化进程的加快，城市人口不断增加，车辆数量急剧增长，导致交通拥堵问题日益严重。传统的交通管理手段和技术难以应对日益复杂的交通状况，无法实现实时、高效的交通调度，于是机器学习技术应运而生。机器学习是人工智能的一个分支，它使计算机能够在没有明确编程的情况下从数据中学习并改进其性能。机器学习的核心在于通过算法和统计模型，让计算机系统能够从数据中学习，并根据学到的知识做出预测或决策。

现目前，大多数现有的交通引导装置依赖于预先设置的路线和交通信号，无法根据实时交通状况进行动态调整，还存在着灵活性不足的问题。

综上所述，大多数现有的交通引导装置还存在着灵活性不足的问题已经成为本领域亟需解决的难题，因此有必要提出一种基于机器学习的智能交通引导装置。

发明内容

为解决上述问题，本发明提供一种基于机器学习的智能交通引导装置，通过建立和训练机器学习模型，并通过机器学习模型对未来交通情况进行预测，有效缓解了交通压力，提高了道路通行的效率。

为了实现上述目的，本发明的技术方案如下：一种基于机器学习的智能交通引导装置，包括智能系统和引导装置本体，智能系统包括采集模块、分析模块、处理模块、学习模块、预测模块和控制模块。

采集模块，用于采集当前的环境信息，并将采集到的环境信息传输到分析模块。

分析模块，用于分析环境信息的成因，得出分析结果，并将分析结果传输到处理模块。

处理模块，用于根据分析模块的分析结果对采集到的环境信息进行处理，得到处理结果，并将处理结果传输到学习模块。

学习模块，用于创建机器学习模型，并根据处理模块的处理结果训练机器学习模型。

预测模块，用于通过机器学习模型对未来交通情况进行预测，得出预测结果，并将预测结果发送到控制模块。

控制模块，用于根据预测结果调整引导装置本体的引导策略。

进一步，环境信息包括当前的车流量和单位时间内的车流密度。

进一步，处理模块在处理环境信息时，首先通过互联网大模型收集数据集的外部索引，再对其进行聚类操作，该过程的具体公式如下：D={x₁,x₂,…,x_m}（1）。

其中，D为数据集的外部索引，x₁、x₂和x_m均为所采集样本。

在聚类过程中，将聚类结果与参考模型进行比较评估，参考模型由专家提供的划分结果得出，其评价结果记为外部指标；同时还采用直接评估的方式对聚类结果进行评估，其评价结果记为内部指标。

外部指标评估过程如下：

将通过聚类给出的簇划分为，参考模型给出的簇划分为，将样本两两配对，并进行以下定义：。

。

。

。

。

其中，表示样本在聚类模型中的类别，表示样本在参考模型中的类别，a表示集合SS的元素个数，SS集合包含在中隶属于相同簇且在中也隶属于相同簇的样本对，b表示集合SD的元素个数，SD集合包含在中隶属于相同簇且在中隶属于不同簇的样本对，c表示集合DS的元素个数，DS集合包含在中隶属于不同簇且在中隶属于相同簇的样本对，d表示集合DD的元素个数，DD集合包含在中隶属于不同簇且在中隶属于不同簇的样本对，m表示样本总数，i和j均表示样本的序号。

。

其中，JC为杰卡德系数，其区间在[0,1]范围，聚类结果与实际情况的一致性与杰卡德指数呈正相关。

。

其中，RI为兰德指数，其区间在[0,1]范围。

。

其中，ARI为调整后的兰德指数，其区间在[-1,1]范围，聚类结果与实际情况的一致性与调整后的兰德指数呈正相关。

内部指标评估公式如下：。

其中，SSE为误差的平方和，其表示类中数据到类中心距离损失的平方和。

。

。

其中，SC为轮廓系数，表示第i个样本的轮廓系数，表示样本与该簇中的其他样本的平均距离，表示与其最近的簇中的所有样本的平均距离；SC的范围是[-1，1]，其值的大小与聚类结果呈正相关。

。

。

。

其中，CH为Calinski-Harabasz指标，和是簇间和簇内数据的协方差矩阵，和分别表示簇q和数据集D的中心点，表示属于簇q的数据集的个数，表示簇间协方差矩阵中矩阵的迹，表示簇内协方差矩阵中矩阵的迹；CH指标表示簇间的距离和簇内的距离之间的比值，其比值与聚类效果呈正相关，k表示簇的个数。

上述方案的技术原理如下：

采集模块首先采集当前环境的环境信息，并将环境信息传输到分析模块，分析模块对环境信息进行分析，得到分析结果，并将分析结果发送到处理模块，由处理模块根据分析结果对环境信息进行处理，得到处理结果。处理模块将处理结果发送到学习模块，并通过学习模块建立机器学习模型，机器学习模型根据处理结果进行训练。预测模块通过机器学习模型对未来交通情况进行预测，得出预测结果，并将预测结果发送到控制模块，由控制模块对引导装置本体的策略进行调整。

采用上述方案有以下有益效果：

1、本发明，通过对当前环境信息的实时采集和分析，能够迅速识别交通状况的变化，同时结合机器学习模型的预测能力，可以提前预测可能的交通拥堵或顺畅情况，从而及时调整引导策略，有效缓解交通压力，提高道路通行效率。

2、本发明，通过对环境信息的实时监测能够及时发现并预警潜在的交通安全隐患，如突然增加的车流量或异常的驾驶行为。通过提前采取措施，可以有效降低交通事故的风险。

3、本发明，对交通引导进行了优化，减少了车辆的等待时间和不必要的行驶，从而降低了燃油消耗和尾气排放，改善了空气质量、保护了环境。

进一步，引导装置本体包括底板，底板顶部固定连接有固定板，固定板顶部固定连接有控制箱，控制箱内底壁固定连接有控制器和报警器，控制器用于控制报警器的运行，底板沿其侧壁周向固定连接有若干摄像头，控制器用于控制摄像头的运行，底板顶部设有用于展示引导信息的引导组件和用于驱动引导组件运作的传动组件。

有益效果：摄像头能够实时监控周围交通环境，确保对交通状况的全面了解。结合控制器对摄像头的控制，可以实现对不同区域交通情况的精准捕捉。同时，当引导装置本体出现异常时，控制器能够迅速启动报警器，发出警示信号，告知工作人员前往维修。

进一步，传动组件包括固定连接于底板一侧的驱动框，驱动框内底壁固定连接有第一驱动件，控制器用于控制第一驱动件的运行，第一驱动件输出轴同轴固定连接有传动齿轮，传动齿轮啮合有第一齿圈，第一齿圈转动配合于底板顶部，第一齿圈远离传动齿轮的一侧啮合有若干移动轮，移动轮远离第一齿圈一侧啮合有第二齿圈，第二齿圈与固定板侧壁固定连接。

有益效果：传动齿轮、第一齿圈、移动轮和第二齿圈形成了一个稳定的传动链，使得移动轮能够按照预定的轨迹和速度进行移动或调整位置。

进一步，引导组件包括与移动轮同轴固定连接的移动杆，底板上方设有若干引导框，相邻移动杆顶部均与与其相邻的引导框底部转动配合，引导框内均设有用于更换不同引导模式的更换组件。

有益效果：更换组件可以根据实际需要或交通状况的变化方便地更换不同的引导模式，这种灵活性确保了引导组件能够适应不同的交通环境和需求，提高了交通引导的针对性和有效性。

进一步，更换组件包括固定连接于引导框内侧壁的第二驱动件，控制器用于控制第二驱动件的运行，第二驱动件输出轴同轴固定连接有连杆，连杆远离第二驱动件输出轴一端固定连接有限位块。

引导框内侧壁转动配合有转动轴，转动轴上同轴固定连接有限位轮，限位轮上等距开有若干限位槽，限位块与限位槽均滑动配合。

转动轴上同轴等距固定连接有若干第一锥齿轮，第一锥齿轮均啮合有第二锥齿轮，第二锥齿轮均同轴固定连接有换向杆，换向杆上均固定连接有引导柱，换向杆远离第二锥齿轮的一端均与引导框内顶壁转动配合。

有益效果：通过第二驱动件的驱动，连杆和限位块能够精确地移动，并与限位轮上的限位槽啮合。这种设计确保了引导模式的更换过程既快速又准确，减少了因更换不当而导致的引导信息展示错误。同时，由于限位块与限位槽的啮合关系，以及转动轴、第一锥齿轮、第二锥齿轮和换向杆的联动作用，整个更换过程更加稳定可靠，减少了因机械故障而导致的更换失败。

进一步，引导柱均呈三角柱状。

有益效果：三角柱状的结构相对简单，便于制造和加工。同时，由于其形状规则，也便于安装和调试，从而降低了交通引导装置的生产成本和时间，提高了其经济性和实用性。

进一步，引导柱侧壁均固定连接有代表不同引导策略的引导板。

有益效果：引导板能够直观地展示不同的引导策略，如方向指示、车道分配、速度限制等。驾驶者只需快速扫视即可理解当前的交通引导信息，无需费心解读复杂的标志或符号，这种直观性有助于提高驾驶者的注意力和反应速度，特别是在交通繁忙或视线受限的情况下，能够迅速做出正确的驾驶决策。

进一步，底板底部固定连接有若干万向轮。

有益效果：万向轮的设计使得交通引导装置在运输过程中更加便捷，同时，在部署时，工作人员可以快速地调整装置的位置和角度，以适应不同的交通环境和需求。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为本发明智能系统的结构示意图。

图2为本发明基于机器学习的智能交通引导装置的轴测示意图。

图3为本发明基于机器学习的智能交通引导装置中更换组件的轴测示意图。

图4为本发明基于机器学习的智能交通引导装置中驱动框的正剖示意图。

说明书附图中的附图标记包括：1、底板；2、固定板；3、控制箱；4、摄像头；5、驱动框；6、传动齿轮；7、第一齿圈；8、移动轮；9、第二齿圈；10、移动杆；11、引导框；12、连杆；13、限位块；14、转动轴；15、限位轮；16、第一锥齿轮；17、第二锥齿轮；18、换向杆；19、引导柱；20、引导板；21、万向轮。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例1：如附图1和图2所示：一种基于机器学习的智能交通引导装置，包括智能系统和引导装置本体，智能系统包括用于采集环境信息的采集模块、用于分析环境信息的分析模块、用于处理环境信息的处理模块、用于建立和训练机器学习模型的学习模块、用于预测未来交通情况的预测模块和用于调整引导装置本体引导策略的控制模块。

以下依次对各模块功能进行详细解释：

采集模块，用于采集当前的环境信息，并将采集到的环境信息传输到分析模块，其中，环境信息包括当前的车流量和单位时间内的车流密度。

分析模块，用于分析环境信息的成因，得出分析结果，并将分析结果传输到处理模块。

处理模块，用于根据分析模块的分析结果对采集到的环境信息进行处理，得到处理结果，并将处理结果传输到学习模块。

学习模块，用于创建机器学习模型，并根据处理模块的处理结果训练机器学习模型。

预测模块，用于通过机器学习模型对未来交通情况进行预测，得出预测结果，并将预测结果发送到控制模块。

控制模块，用于根据预测结果调整引导装置本体的引导策略。

处理模块在处理环境信息时，首先通过互联网大模型收集数据集的外部索引，再对其进行聚类操作，该过程的具体公式如下：D={x₁,x₂,…,x_m}（1）。

其中，D为数据集的外部索引，x₁、x₂和x_m均为所采集样本。

在聚类过程中，将聚类结果与参考模型进行比较评估，参考模型由专家提供的划分结果得出，其评价结果记为外部指标；同时还采用直接评估的方式对聚类结果进行评估，其评价结果记为内部指标。

外部指标评估过程如下：

将通过聚类给出的簇划分为，参考模型给出的簇划分为，将样本两两配对，并进行以下定义：。

。

。

。

。

其中，表示样本在聚类模型中的类别，表示样本在参考模型中的类别，a表示集合SS的元素个数，SS集合包含在中隶属于相同簇且在中也隶属于相同簇的样本对，b表示集合SD的元素个数，SD集合包含在中隶属于相同簇且在中隶属于不同簇的样本对，c表示集合DS的元素个数，DS集合包含在中隶属于不同簇且在中隶属于相同簇的样本对，d表示集合DD的元素个数，DD集合包含在中隶属于不同簇且在中隶属于不同簇的样本对，m表示样本总数，i和j均表示样本的序号。

。

其中，JC为杰卡德系数，其区间在[0,1]范围，聚类结果与实际情况的一致性与杰卡德指数呈正相关。

。

其中，RI为兰德指数，其区间在[0,1]范围。

。

其中，ARI为调整后的兰德指数，其区间在[-1,1]范围，聚类结果与实际情况的一致性与调整后的兰德指数呈正相关。

内部指标评估公式如下：。

其中，SSE为误差的平方和，其表示类中数据到类中心距离损失的平方和。

。

。

其中，SC为轮廓系数，表示第i个样本的轮廓系数，表示样本与该簇中的其他样本的平均距离，表示与其最近的簇中的所有样本的平均距离；SC的范围是[-1，1]，其值的大小与聚类结果呈正相关。

。

。

。

其中，CH为Calinski-Harabasz指标，和是簇间和簇内数据的协方差矩阵，和分别表示簇q和数据集D的中心点，表示属于簇q的数据集的个数，表示簇间协方差矩阵中矩阵的迹，表示簇内协方差矩阵中矩阵的迹；CH指标表示簇间的距离和簇内的距离之间的比值，其比值与聚类效果呈正相关，k表示簇的个数。

具体实施过程如下：采集模块首先采集当前环境中的车流量和单位时间内的车流密度作为环境信息，本实施例中以5min为一个单位时间。采集模块将采集到的环境信息发送到分析模块，分析模块会分析造成环境信息的成因，得出分析结果，并将分析结果发送到处理模块，由处理模块对环境信息进行处理。

在处理过程中，处理模块首先通过互联网大模型收集数据集的外部索引，再对环境信息进行聚类操作，其该过程的具体公式如下：D={x₁,x₂,…,x_m}（1）。

其中，D为数据集的外部索引，x₁、x₂和x_m均为所采集样本。

此时在聚类过程中，首先由专家提供的划分结果建立参考模型，并将聚类结果与参考模型进行比较评估，其评价结果记为外部指标；同时还采用直接评估的方式，不依靠参考模型对聚类结果进行直接评估，其评价结果记为内部指标。

外部指标评估过程如下：

将通过聚类给出的簇划分为，参考模型给出的簇划分为，将样本两两配对，并进行以下定义：。

。

。

。

。

其中，表示样本在聚类模型中的类别，表示样本在参考模型中的类别，a表示集合SS的元素个数，SS集合包含在中隶属于相同簇且在中也隶属于相同簇的样本对，b表示集合SD的元素个数，SD集合包含在中隶属于相同簇且在中隶属于不同簇的样本对，c表示集合DS的元素个数，DS集合包含在中隶属于不同簇且在中隶属于相同簇的样本对，d表示集合DD的元素个数，DD集合包含在中隶属于不同簇且在中隶属于不同簇的样本对，m表示样本总数，i和j均表示样本的序号。

。

其中，JC为杰卡德系数，其区间在[0,1]范围，聚类结果与实际情况的一致性与杰卡德指数呈正相关。

。

其中，RI为兰德指数，其区间在[0,1]范围。

。

其中，ARI为调整后的兰德指数，其区间在[-1,1]范围，聚类结果与实际情况的一致性与调整后的兰德指数呈正相关，其值越大，聚类结果与实际情况越一致。

内部指标评估公式如下：。

其中，SSE为误差的平方和，其表示类中数据到类中心距离损失的平方和。

。

。

其中，SC为轮廓系数，表示第i个样本的轮廓系数，表示样本与该簇中的其他样本的平均距离，表示与其最近的簇中的所有样本的平均距离；SC的范围是[-1，1]，其值的大小与聚类结果呈正相关，其值越大表明聚类效果越好，此时在同一簇的样本之间距离较小而不同簇样本之间的距离较大。

。

。

。

其中，CH为Calinski-Harabasz指标，和是簇间和簇内数据的协方差矩阵，和分别表示簇q和数据集D的中心点，表示属于簇q的数据集的个数，表示簇间协方差矩阵中矩阵的迹，表示簇内协方差矩阵中矩阵的迹；CH指标表示簇间的距离和簇内的距离之间的比值，其比值与聚类效果呈正相关，k表示簇的个数。

处理模块在对环境信息处理完成后得到处理结果，并将处理结果发送到学习模块，学习模块首先创建出机器学习模型，并通过处理模块的处理结果对其进行训练，在完成训练后，预测模块通过机器学习模型对未来交通情况进行预测，得出预测结果，并将预测结果发送到控制模块，由控制模块调整引导装置本体的引导策略。

实施例2：

如附图2、图3和图4所示，与实施例1的不同之处在于，引导装置本体包括底板1，底板1顶部一体成型有固定板2，固定板2顶部螺栓固定连接有控制箱3，控制箱3内底壁螺栓固定连接有控制器和报警器，控制器用于控制报警器的运行，底板1沿其侧壁周向螺钉固定连接有若干摄像头4，控制器用于控制摄像头4的运行，底板1顶部设有用于展示引导信息的引导组件和用于驱动引导组件运作的传动组件。

传动组件包括焊接于底板1一侧的驱动框5，驱动框5内底壁螺栓固定连接有第一驱动件，控制器用于控制第一驱动件的运行，本实施例中，第一驱动件优选为第一步进电机，第一步进电机输出轴同轴固定卡接有传动齿轮6，传动齿轮6啮合有第一齿圈7，第一齿圈7转动配合于底板1顶部，第一齿圈7内侧啮合有若干移动轮8，移动轮8内侧啮合有第二齿圈9，第二齿圈9与固定板2侧壁焊接。

引导组件包括与移动轮8同轴固定卡接的移动杆10，底板1上方设有若干引导框11，相邻移动杆10顶部均与与其相邻的引导框11底部转动配合，引导框11内均设有用于更换不同引导模式的更换组件。

更换组件包括螺栓固定连接于引导框11内侧壁的第二驱动件，控制器用于控制第二驱动件的运行，本实施例中，第二驱动件选用第二步进电机，第二步进电机输出轴同轴螺栓固定连接有连杆12，连杆12下端一体成型有限位块13。

引导框11内侧壁转动配合有转动轴14，转动轴14上同轴固定卡接有限位轮15，限位轮15上等距开有若干限位槽，限位块13与限位槽均滑动配合。

转动轴14上同轴等距固定卡接有若干第一锥齿轮16，第一锥齿轮16均啮合有第二锥齿轮17，第二锥齿轮17均同轴固定卡接有换向杆18，换向杆18上均一体成型有三角柱状的引导柱19，换向杆18顶端均与引导框11内顶壁转动配合，引导柱19侧壁均螺钉固定连接有代表不同引导策略的引导板20。

具体实施过程如下：工作人员通过控制器启动第一步进电机，第一步进电机输出轴转动，带动传动齿轮6转动，传动齿轮6带动与其啮合的第一齿圈7转动，第一齿圈7带动与其啮合的移动轮8转动。由于移动轮8与第二齿圈9啮合，第二齿圈9与固定板2侧壁焊接，当移动轮8转动时，会围绕第二齿圈9转动，进而移动轮8带动移动杆10一同围绕第二齿圈9转动。移动杆10在移动过程中会带动与其相邻的引导框11移动，工作人员通过控制第一步进电机的启停便能调整引导框11的位置。

当需要对引导策略进行调整时，工作人员通过控制器启动第二步进电机，步进电机输出轴转动，带动连杆12转动，连杆12带动与其一体成型的限位块13一同转动。由于限位轮15上等距开有若干限位槽，限位块13与限位槽均滑动配合，限位块13在转动过程中会拨动限位轮15，限位轮15带动转动轴14转动，转动轴14带动第一锥齿轮16转动，由第一锥齿轮16带动第二锥齿轮17转动，第二锥齿轮17带动换向杆18转动，换向杆18带动与其一体成型的引导柱19转动，此时由于引导柱19侧壁均螺钉固定连接有代表不同引导策略的引导板20，引导柱19在转动时会带动引导板20一同转动，工作人员通过引导板20的转动便可实现引导策略的转换。

引导装置本体会通过摄像头4对当前环境的车流量和单位时间内的车流密度进行信息采集。

当引导装置本体受损时，报警器会及时发出报警，告知工作人员前往维修。

实施例3：

如附图2所示，与实施例2的不同之处在于，底板1底部螺栓固定连接有若干万向轮21。

具体实施过程如下：当需要移动引导装置本体时，万向轮21的设计可使工作人员能够将其轻松推动。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于机器学习的智能交通引导装置，其特征在于，包括智能系统和引导装置本体，智能系统包括采集模块、分析模块、处理模块、学习模块、预测模块和控制模块；

采集模块，用于采集当前的环境信息，并将采集到的环境信息传输到分析模块；

分析模块，用于分析环境信息的成因，得出分析结果，并将分析结果传输到处理模块；

处理模块，用于根据分析模块的分析结果对采集到的环境信息进行处理，得到处理结果，并将处理结果传输到学习模块；

学习模块，用于创建机器学习模型，并根据处理模块的处理结果训练机器学习模型；

预测模块，用于通过机器学习模型对未来交通情况进行预测，得出预测结果，并将预测结果发送到控制模块；

控制模块，用于根据预测结果调整引导装置本体的引导策略。

2.根据权利要求1所述的基于机器学习的智能交通引导装置，其特征在于，环境信息包括当前的车流量和单位时间内的车流密度。

3.根据权利要求2所述的基于机器学习的智能交通引导装置，其特征在于，处理模块在处理环境信息时，首先通过互联网大模型收集数据集的外部索引，再对其进行聚类操作，该过程的具体公式如下：D={x₁,x₂,…,x_m}（1）；

其中，D为数据集的外部索引，x₁、x₂和x_m均为所采集样本；

在聚类过程中，将聚类结果与参考模型进行比较评估，参考模型由专家提供的划分结果得出，其评价结果记为外部指标；同时还采用直接评估的方式对聚类结果进行评估，其评价结果记为内部指标；

外部指标评估过程如下：

将通过聚类给出的簇划分为，参考模型给出的簇划分为，将样本两两配对，并进行以下定义：

；

；

；

；

；

其中，表示样本在聚类模型中的类别，表示样本在参考模型中的类别，a表示集合SS的元素个数，SS集合包含在中隶属于相同簇且在中也隶属于相同簇的样本对，b表示集合SD的元素个数，SD集合包含在中隶属于相同簇且在中隶属于不同簇的样本对，c表示集合DS的元素个数，DS集合包含在中隶属于不同簇且在中隶属于相同簇的样本对，d表示集合DD的元素个数，DD集合包含在中隶属于不同簇且在中隶属于不同簇的样本对，m表示样本总数，i和j表示样本的序号；

；

其中，JC为杰卡德系数，其区间在[0,1]范围，聚类结果与实际情况的一致性与杰卡德指数呈正相关；

；

其中，RI为兰德指数，其区间在[0,1]范围；

；

其中，ARI为调整后的兰德指数，其区间在[-1,1]范围，聚类结果与实际情况的一致性与调整后的兰德指数呈正相关；

内部指标评估公式如下：；

其中，SSE为误差的平方和，其表示类中数据到类中心距离损失的平方和；

；

；

其中，SC为轮廓系数，表示第i个样本的轮廓系数，表示样本与该簇中的其他样本的平均距离，表示与其最近的簇中的所有样本的平均距离；SC的范围是[-1，1]，其值的大小与聚类结果呈正相关；

；

；

；

其中，CH为Calinski-Harabasz指标，和是簇间和簇内数据的协方差矩阵，和分别表示簇q和数据集D的中心点，表示属于簇q的数据集的个数，表示簇间协方差矩阵中矩阵的迹，表示簇内协方差矩阵中矩阵的迹；CH指标表示簇间的距离和簇内的距离之间的比值，其比值与聚类效果呈正相关，k表示簇的个数。

4.根据权利要求3所述的基于机器学习的智能交通引导装置，其特征在于，引导装置本体包括底板（1），底板（1）顶部固定连接有固定板（2），固定板（2）顶部固定连接有控制箱（3）；

控制箱（3）内底壁固定连接有控制器和报警器，控制器用于控制报警器的运行；

底板（1）沿其侧壁周向固定连接有若干摄像头（4），控制器用于控制摄像头（4）的运行；

底板（1）顶部设有用于展示引导信息的引导组件和用于驱动引导组件运作的传动组件。

5.根据权利要求4所述的基于机器学习的智能交通引导装置，其特征在于，传动组件包括固定连接于底板（1）一侧的驱动框（5）；驱动框（5）内底壁固定连接有第一驱动件，控制器用于控制第一驱动件的运行；第一驱动件输出轴同轴固定连接有传动齿轮（6），传动齿轮（6）啮合有第一齿圈（7），第一齿圈（7）转动配合于底板（1）顶部；第一齿圈（7）远离传动齿轮（6）的一侧啮合有若干移动轮（8），移动轮（8）远离第一齿圈（7）一侧啮合有第二齿圈（9），第二齿圈（9）与固定板（2）侧壁固定连接。

6.根据权利要求5所述的基于机器学习的智能交通引导装置，其特征在于，引导组件包括与移动轮（8）同轴固定连接的移动杆（10）；

底板（1）上方设有若干引导框（11），相邻移动杆（10）顶部均与与其相邻的引导框（11）底部转动配合，引导框（11）内均设有用于更换不同引导模式的更换组件。

7.根据权利要求6所述的基于机器学习的智能交通引导装置，其特征在于，更换组件包括固定连接于引导框（11）内侧壁的第二驱动件，控制器用于控制第二驱动件的运行；第二驱动件输出轴同轴固定连接有连杆（12），连杆（12）远离第二驱动件输出轴一端固定连接有限位块（13）；

引导框（11）内侧壁转动配合有转动轴（14），转动轴（14）上同轴固定连接有限位轮（15），限位轮（15）上等距开有若干限位槽，限位块（13）与限位槽均滑动配合；

转动轴（14）上同轴等距固定连接有若干第一锥齿轮（16），第一锥齿轮（16）均啮合有第二锥齿轮（17），第二锥齿轮（17）均同轴固定连接有换向杆（18），换向杆（18）上均固定连接有引导柱（19），换向杆（18）远离第二锥齿轮（17）的一端均与引导框（11）内顶壁转动配合。

8.根据权利要求7所述的基于机器学习的智能交通引导装置，其特征在于，引导柱（19）均呈三角柱状。

9.根据权利要求8所述的基于机器学习的智能交通引导装置，其特征在于，引导柱（19）侧壁均固定连接有代表不同引导策略的引导板（20）。

10.根据权利要求9所述的基于机器学习的智能交通引导装置，其特征在于，底板（1）底部固定连接有若干万向轮（21）。