1.一种地铁车厢乘客精细化引导方法，其特征在于，包括：

获取每节车厢在一个采样周期内每个空气弹簧的空气弹簧压力时间序列；

建立每节车厢的空间位置坐标系，记录所述采样周期的终点时刻每节车厢的乘客位置，并获取乘客在对应空间位置坐标系的位置坐标，即获得每节车厢在所述采样周期内的乘客分布情况；所述空间位置坐标系是与车顶面或者地面平行的二维直角坐标系，或者所述空间位置坐标系是与车顶面或者地面重合的二维直角坐标系；

将每节车厢在所述采样周期内的乘客分布情况转化成二值化图像，并计算所述二值化图像中各像素点的均值、方差、极大值和极小值；其中，每节车厢在所述采样周期内的乘客分布情况转化成二值化图像的具体过程为：沿每节车厢所述空间位置坐标系的x轴方向将车厢划分为W等份，沿每节车厢所述空间位置坐标系的y轴方向将车厢划分为L等份，将每节车厢空间转化成W×L个独立单元；

设每个所述独立单元为一个像素点，每个所述独立单元内的乘客数量为像素点的像素值；

获取所有像素点的像素值，将乘客分布情况转化成由W×L个像素点组成的二值化图像；

计算所述二值化图像中各像素点的幅值和梯度方向，以所有像素点的梯度方向为横轴，以各像素点对应的像素值为纵轴，建立频数分布直方图；并提取所述频数分布直方图的频数分布特征，所述频数分布特征是指将频数分布直方图的横轴等份为R个区间，由每个区间对应的像素值构成的特征向量；

将所述像素点的均值、极大值、极小值、方差以及频数分布特征组合构成原始特征向量，以原始特征向量作为聚类算法的输入，对二值化图像进行聚类，得到图像聚类结果；

根据所述图像聚类结果对乘客分布模式进行编码，得到乘客分布编码，每一类图像聚类结果对应一种乘客分布模式，每种乘客分布模式对应一个乘客分布编码；

建立每节车厢的分布预测模型，采用训练样本对所述分布预测模型进行训练，得到训练好的分布预测模型，所述训练样本是以每节车厢在所述采样周期内每个空气弹簧的空腔弹簧压力时间序列作为输入，以对应的乘客分布编码作为输出；

在测试或预测时，将实时获取的每节车厢在每个采样周期内每个空气弹簧的空腔弹簧压力时间序列输入到对应车厢的训练好的分布预测模型中，得到预测的每节车厢在对应采样周期的乘客分布编码；

根据预测的每节车厢在对应采样周期的乘客分布编码调节对应车厢内照明灯管的亮度，从而引导乘客流动；其中，根据预测的每节车厢在对应采样周期的乘客分布编码控制对应车厢内照明灯管的亮度的具体过程为：步骤9.1：根据预测的每节车厢在对应采样周期的乘客分布编码得到当前图像聚类结果，根据当前图像聚类结果确定当前图像对应的聚类中心；

步骤9.2：将距离所述聚类中心最近的S张二值化图像定义为对应类别的典型聚类图像，计算S张所述典型聚类图像中每个像素点的像素平均值，得到各该类别下的像素平均图像；

步骤9.3：如果所述像素平均图像中某个像素点的像素值大于阈值，则该像素点所对应的独立单元为拥挤区域，否则该像素点所对应的独立单元为空旷区域；

步骤9.4：根据每节车厢照明灯管的布局，为每个照明灯管划分一个照明辖区；

步骤9.5：计算每个照明灯管对应照明辖区的吸引系数，所述吸引系数的具体计算公式为：α＝1‑n/N

其中，α为吸引系数，n为当前照明组合方式下状态为亮的照明灯管的数量，N为该节车厢内照明灯管的总数；

步骤9.6：计算某个拥挤区域到每个空旷区域的流动距离成本系数，具体计算公式为：m

其中，βi 为拥挤区域(li,wi)到空旷区域(lm,wm)的流动距离成本系数， 为拥挤区域(li,wi)在空间位置坐标系的坐标， 为空旷区域(lm,wm)在空间位置坐标系的坐标；

完成所有拥挤区域到每个空旷区域的流动距离成本系数计算；

步骤9.7：根据所述吸引系数和流动距离成本系数计算某个拥挤区域内单个乘客到每个空旷区域的乘客流动成本，具体计算公式为：其中， 为拥挤区域(li,wi)内单个乘客流向空旷区域(lm,wm)的乘客流动成本， 为乘客流动梯度， 为拥挤区域(li,wi)的乘客数量， 为空旷区域(lm,wm)的乘客数量；

完成所有拥挤区域内单个乘客到每个空旷区域的乘客流动成本的计算；

步骤9.8：取每个拥挤区域内单个乘客到空旷区域的乘客流动成本中的最小值作为该拥挤区域单个乘客的最小流动成本，最小流动成本所对应的空旷区域为该拥挤区域乘客流动的目标区域；设所有拥挤区域单个乘客的最小流动成本中的最小值所对应的拥挤区域内单个乘客向对应目标区域流动，并记录所有拥挤区域单个乘客的最小流动成本中的最小值为此次流动的最小成本；

步骤9.9：更新像素平均图像，判断像素平均图像中每个像素点的像素值是否大于阈值，如果是，则该像素点所对应的独立单元为拥挤区域，重复步骤9.6～9.8，否则计算所有流动的最小成本之和，该最小成本之和为当前照明组合方式对应的总成本之和；

步骤9.10：改变照明组合方式，重复步骤9.5～9.9，完成所有照明组合方式对应的总成本之和的计算，以所有照明组合方式对应的总成本之和中的最小值所对应的照明组合方式作为最终照明组合方式，根据最终照明组合方式控制每个照明灯管的亮度，实现乘客流动的引导。

2.如权利要求1所述的地铁车厢乘客精细化引导方法，其特征在于：所述空间位置坐标系是以车顶面横向中心线为x轴，以车顶面纵向中心线为y轴的二维直角坐标系，或者所述空间位置坐标系是以地面横向中心线为x轴，以地面纵向中心线为y轴的二维直角坐标系。

3.如权利要求1所述的地铁车厢乘客精细化引导方法，其特征在于：L为3，W为10。

4.如权利要求1所述的地铁车厢乘客精细化引导方法，其特征在于：所述像素点的幅值和梯度方向的计算公式分别为：Gx(l,w)＝I(l+1,w)‑I(l‑1,w)，Gy(l,w)＝I(l,w+1)‑I(l,w‑1)其中，G(l,w)为像素点的幅值，θ(l,w)为像素点的梯度方向，Gx(l,w)为像素点沿空间位置坐标系x轴方向的梯度幅值，Gy(l,w)为像素点沿空间位置坐标系y轴方向的梯度幅值，I(l+1,w)为第l+1行，第w列像素点的像素值，I(l‑1,w)为第l‑1行，第w列像素点的像素值，l＝1,2,3，…，L，w＝1,2,3，…，W，W为沿每节车厢空间位置坐标系的x轴方向将车厢划分的等份数，L为沿每节车厢空间位置坐标系的y轴方向将车厢划分的等份数。

5.如权利要求1所述的地铁车厢乘客精细化引导方法，其特征在于：所述聚类算法为OPTICS算法，且设OPTICS算法的初始邻域距离参数ε为0.2，初始邻域样本参数MinPts为3。

6.如权利要求1所述的地铁车厢乘客精细化引导方法，其特征在于：所述分布预测模型为支持向量机模型、相关向量机模型或神经网络模型中的任一种。

7.一种地铁车厢乘客精细化引导系统，其特征在于，包括：

压力获取单元，用于获取每节车厢在一个采样周期内每个空气弹簧的空气弹簧压力时间序列；

坐标系建立单元，用于建立每节车厢的空间位置坐标系；所述空间位置坐标系是与车顶面或者地面平行的二维直角坐标系，或者所述空间位置坐标系是与车顶面或者地面重合的二维直角坐标系；

输入单元，用于输入记录的所述采样周期的终点时刻每节车厢的乘客位置；

乘客分布获取单元，用于获取乘客在对应空间位置坐标系的位置坐标，即获得每节车厢在所述采样周期内的乘客分布情况；

图像转换及特征提取单元，用于将每节车厢在所述采样周期内的乘客分布情况转化成二值化图像，并计算所述二值化图像中各像素点的均值、方差、极大值和极小值；计算所述二值化图像中各像素点的幅值和梯度方向，以所有像素点的梯度方向为横轴，以各像素点对应的像素值为纵轴，建立频数分布直方图；并提取所述频数分布直方图的频数分布特征，所述频数分布特征是指将频数分布直方图的横轴等份为R个区间，由每个区间对应的像素值构成的特征向量；其中，将每节车厢在所述采样周期内的乘客分布情况转化成二值化图像的具体包括：沿每节车厢所述空间位置坐标系的x轴方向将车厢划分为W等份，沿每节车厢所述空间位置坐标系的y轴方向将车厢划分为L等份，将每节车厢空间转化成W×L个独立单元；

设每个所述独立单元为一个像素点，每个所述独立单元内的乘客数量为像素点的像素值；

获取所有像素点的像素值，将乘客分布情况转化成由W×L个像素点组成的二值化图像；

聚类分类单元，用于将所述像素点的均值、极大值、极小值、方差以及频数分布特征组合构成原始特征向量，以原始特征向量作为聚类算法的输入，对二值化图像进行聚类，得到图像聚类结果；

编码单元，用于根据所述图像聚类结果对乘客分布模式进行编码，得到乘客分布编码，每一类图像聚类结果对应一种乘客分布模式，每种乘客分布模式对应一个乘客分布编码；

模型建立单元，用于建立每节车厢的分布预测模型，采用训练样本对所述分布预测模型进行训练，得到训练好的分布预测模型，所述训练样本是以每节车厢在所述采样周期内每个空气弹簧的空腔弹簧压力时间序列作为输入，以对应的乘客分布编码作为输出；

预测单元，用于在测试或预测时，将实时获取的每节车厢在每个采样周期内每个空气弹簧的空腔弹簧压力时间序列输入到对应车厢的训练好的分布预测模型中，得到预测的每节车厢在对应采样周期的乘客分布编码；

调节及引导单元，用于根据预测的每节车厢在对应采样周期的乘客分布编码调节对应车厢内照明灯管的亮度，从而引导乘客流动；

所述调节及引导单元包括：

聚类中心确定单元，用于根据预测的每节车厢在对应采样周期的乘客分布编码得到当前图像聚类结果，根据当前图像聚类结果确定当前图像对应的聚类中心；

像素平均值计算单元，用于将距离所述聚类中心最近的S张二值化图像定义为对应类别的典型聚类图像，计算S张所述典型聚类图像中每个像素点的像素平均值，得到各类别下的像素平均图像；

区域划分单元，用于判断所述像素平均图像中某个像素点的像素值是否大于阈值，如果是，则该像素点所对应的独立单元为拥挤区域，否则该像素点所对应的独立单元为空旷区域；

辖区划分单元，用于根据每节车厢照明灯管的布局，为每个照明灯管划分一个照明辖区；

吸引系数计算单元，用于计算每个照明灯管对应照明辖区的吸引系数，所述吸引系数的具体计算公式为：α＝1‑n/N

其中，α为吸引系数，n为当前照明组合方式中状态为亮的照明灯管的数量，N为该节车厢内照明灯管的总数；

距离成本系数计算单元，用于计算某个拥挤区域到每个空旷区域的流动距离成本系数，具体计算公式为：m

其中，βi 为拥挤区域(li,wi)到空旷区域(lm,wm)的流动距离成本系数， 为拥挤区域(li,wi)在空间位置坐标系的坐标， 为空旷区域(lm,wm)在空间位置坐标系的坐标；

乘客流动成本计算单元，用于根据所述吸引系数和流动距离成本系数计算某个拥挤区域内单个乘客到每个空旷区域的乘客流动成本，具体计算公式为：其中， 为拥挤区域(li,wi)内单个乘客流向空旷区域(lm,wm)的乘客流动成本， 为乘客流动梯度， 为拥挤区域(li,wi)的乘客数量， 为空旷区域(lm,wm)的乘客数量；

最小成本计算单元，用于取每个拥挤区域内单个乘客到空旷区域的乘客流动成本中的最小值作为该拥挤区域单个乘客的最小流动成本，最小流动成本所对应的空旷区域为该拥挤区域乘客流动的目标区域；设所有拥挤区域单个乘客的最小流动成本中的最小值所对应的拥挤区域内单个乘客向对应目标区域流动，并记录所有拥挤区域单个乘客的最小流动成本中的最小值为此次流动的最小成本；

总成本之和计算单元，用于更新像素平均图像，判断像素平均图像中每个像素点的像素值是否大于阈值，如果是，则该像素点所对应的独立单元为拥挤区域；如果否，则计算所有流动的最小成本之和，该最小成本之和为当前照明组合方式对应的总成本之和；

照明调节单元，用于以所有照明组合方式对应的总成本之和中的最小值所对应的照明组合方式作为最终照明组合方式，根据最终照明组合方式控制每个照明灯管的亮度，实现乘客流动的引导。