1.一种基于环境监测和照明引导的地铁车厢乘客诱导方法，其特征在于，包括：

建立每节车厢的空间位置坐标系，在每节车厢安装由温湿度传感器和CO2浓度传感器构成的采集装置，每个采集装置作为一个采集样本点，获取每个采集样本点在对应空间位置坐标系的安装位置坐标；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；

获取每节车厢在一个采样周期内每个采集样本点的温度时间序列、湿度时间序列以及CO2浓度时间序列，获取当地当天的平均气温值和平均湿度值，由每个采集样本点的安装位置坐标、该采集样本点对应的温度时间序列、湿度时间序列、CO2浓度时间序列以及平均气温值和平均湿度值构成每节车厢在所述采样周期内每个采集样本点的环境数据样本；

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；

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；

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采集样本点的环境数据样本作为输入，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采集样本点的环境数据样本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，其具体实现过程为：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；

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；

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，并计算每个照明灯管对应照明辖区内像素点的像素平均值；

如果所述像素平均图像中的像素最大值大于像素阈值，则启动照明引导，进入下一个步骤，否则无需照明引导；

提取所述像素平均图像中像素平均值大于像素阈值的像素点，由大于像素阈值的像素点构成待引导像素点集合；

根据照明灯管在空间位置坐标系中的坐标、待引导像素点集合中像素点在空间位置坐标系中的坐标以及照明辖区内像素点的像素平均值计算照明引导系数，具体计算表达式为：其中，βn为照明引导系数，An为第n个照明灯管所对应照明辖区内像素点的像素平均值，为第n个照明灯管在空间位置坐标系的坐标， 为待引导像素点集合中第1个像素点在空间位置坐标系的坐标， 为待引导像素点集合中第2个像素点在空间位置坐标系的坐标， 为待引导像素点集合中第H个像素点在空间位置坐标系的坐标，H为待引导像素点集合中像素点的数量；

按照βn值的排序依次调节与βn值对应的照明辖区内照明灯管的亮度，引导乘客向βn值较小的照明辖区流动。

2.如权利要求1所述的地铁车厢乘客诱导方法，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诱导方法，其特征在于：在每节车厢的顶部安装15个所述采集装置，15个所述采集装置呈阵列布置。

4.如权利要求1所述的地铁车厢乘客诱导方法，其特征在于：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。

5.如权利要求4所述的地铁车厢乘客诱导方法，其特征在于：L为3，W为10。

6.如权利要求1所述的地铁车厢乘客诱导方法，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。

7.如权利要求1所述的地铁车厢乘客诱导方法，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。

8.如权利要求1所述的地铁车厢乘客诱导方法，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。

9.如权利要求1所述的地铁车厢乘客诱导方法，其特征在于：将所述训练样本中的温度时间序列、湿度时间序列以及CO2浓度时间序列分别采用温度时间序列特征向量、湿度时间序列特征向量以及CO2浓度时间序列特征向量来替代，所述温度时间序列特征向量、湿度时间序列特征向量以及CO2浓度时间序列特征向量的获取方法为：建立温度时间序列LSTM神经网络模型，将训练样本中的温度时间序列随机分成两个温度训练集，其中一个温度训练集以及与该温度训练集对应的乘客分布编码构成第一训练集，另一个温度训练集为第二训练集；采用第一训练集对温度时间序列LSTM神经网络模型进行训练，得到训练好的温度时间序列LSTM神经网络模型；去除训练好的温度时间序列LSTM神经网络模型的分类层，以第二训练集作为输入，以全连接层输出的向量作为输出，得到温度时间序列特征向量；

建立湿度时间序列LSTM神经网络模型，将训练样本中的湿度时间序列随机分成两个湿度训练集，其中一个湿度训练集以及与该湿度训练集对应的乘客分布编码构成第三训练集，另一个湿度训练集为第四训练集；采用第三训练集对湿度时间序列LSTM神经网络模型进行训练，得到训练好的湿度时间序列LSTM神经网络模型；去除训练好的湿度时间序列LSTM神经网络模型的分类层，以第四训练集作为输入，以全连接层输出的向量作为输出，得到湿度时间序列特征向量；

建立CO2浓度时间序列LSTM神经网络模型，将训练样本中的CO2浓度时间序列随机分成两个CO2浓度训练集，其中一个CO2浓度训练集以及与该CO2浓度训练集对应的乘客分布编码构成第五训练集，另一个CO2浓度训练集为第六训练集；采用第五训练集对CO2浓度时间序列LSTM神经网络模型进行训练，得到训练好的CO2浓度时间序列LSTM神经网络模型；去除训练好的CO2浓度时间序列LSTM神经网络模型的分类层，以第六训练集作为输入，以全连接层输出的向量作为输出，得到CO2浓度时间序列特征向量。

10.如权利要求9所述的地铁车厢乘客诱导方法，其特征在于：将测试或预测时环境数据样本中的温度时间序列、湿度时间序列以及CO2浓度时间序列分别采用温度时间序列特征向量、湿度时间序列特征向量以及CO2浓度时间序列特征向量来替代，所述温度时间序列特征向量、湿度时间序列特征向量以及CO2浓度时间序列特征向量的获取方法为：将测试时环境数据样本中的温度时间序列输入至去除分类层的训练好的温度时间序列LSTM神经网络模型中，全连接层输出的向量即为对应的温度时间序列特征向量；

将测试时环境数据样本中的湿度时间序列输入至去除分类层的训练好的湿度时间序列LSTM神经网络模型中，全连接层输出的向量即为对应的湿度时间序列特征向量；

将测试时环境数据样本中的CO2浓度时间序列输入至去除分类层的训练好的CO2浓度时间序列LSTM神经网络模型中，全连接层输出的向量即为对应的CO2浓度时间序列特征向量。

11.如权利要求1所述的地铁车厢乘客诱导方法，其特征在于：所述像素阈值为15。

12.一种基于环境监测和照明引导的地铁车厢乘客诱导系统，包括多个诱导子系统，每节车厢对应一个诱导子系统，其特征在于：所述诱导子系统包括设于车厢顶部的多个采集装置，多个照明灯管以及控制装置；所述采集装置包括温湿度传感器和CO2浓度传感器；

所述控制装置包括：

坐标系建立单元，用于建立每节车厢的空间位置坐标系，并获取每个采集样本点在对应空间位置坐标系的安装位置坐标，每个采集装置作为一个采集样本点；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；

环境数据获取单元，用于获取每节车厢在一个采样周期内每个采集样本点的温度时间序列、湿度时间序列以及CO2浓度时间序列，获取当地当天的平均气温值和平均湿度值，由每个采集样本点的安装位置坐标、该采集样本点对应的温度时间序列、湿度时间序列、CO2浓度时间序列以及平均气温值和平均湿度值构成每节车厢在所述采样周期内每个采集样本点的环境数据样本；

乘客分布获取单元，用于根据记录的所述采样周期终点时刻每节车厢的乘客位置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；

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采集样本点的环境数据样本作为输入，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采集样本点的环境数据样本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，其具体实现过程为：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；

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；

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，并计算每个照明灯管对应照明辖区内像素点的像素平均值；

如果所述像素平均图像中的像素最大值大于像素阈值，则启动照明引导，进入下一个步骤，否则无需照明引导；

提取所述像素平均图像中像素平均值大于像素阈值的像素点，由大于像素阈值的像素点构成待引导像素点集合；

根据照明灯管在空间位置坐标系中的坐标、待引导像素点集合中像素点在空间位置坐标系中的坐标以及照明辖区内像素点的像素平均值计算照明引导系数，具体计算表达式为：其中，βn为照明引导系数，An为第n个照明灯管所对应照明辖区内像素点的像素平均值，为第n个照明灯管在空间位置坐标系的坐标， 为待引导像素点集合中第1个像素点在空间位置坐标系的坐标， 为待引导像素点集合中第2个像素点在空间位置坐标系的坐标， 为待引导像素点集合中第H个像素点在空间位置坐标系的坐标，H为待引导像素点集合中像素点的数量；

按照βn值的排序依次调节与βn值对应的照明辖区内照明灯管的亮度，引导乘客向βn值较小的照明辖区流动。