1.一种基于目标检测技术和ACO‑BP算法的智能轨道交通时间控制方法，其特征在于，包括以下步骤：首先，考虑到深度学习在机器视觉领域独特的检测性能，利用Faster‑RCNN目标检测方法，通过深度学习技术对图像进行特征提取，进而捕捉车辆以及行人图像，统计轨道线路每个站点每天的人流量大小，统计得到每个班次等待人数与实际上车人数；实时统计车厢数和车辆间隔时间，再传入BP神经网络中；

其次，以等待人数与实际上车人数、以及车辆实际发车间隔为输入，基于BP神经网络得出等车人数与列车发车时间间隔对实际上车人数的关系权值；

最后，以当前各站点内人流量为输入量，关系权值作为影响参数传入到蚁群算法建立数学模型，通过不断改变发车间隔来得到最大承运量，同时以期望与实际承运量之间的误差为输入，基于BP神经网络学习功能，实现权值的更新，优化结果；

所述BP神经网络寻找关系权值的步骤具体包括：利用非线性变换函数 作为传递函数

其激活函数则为：

wik学习权值，B为常量，Bk待学习的偏置量，yk表示输出，I表示输入数据个数；

初期建立过程中，将权值初始化为W1、W2，权值更新过程中利用梯度下降原理；

此时算法输出结果与实际情况之间误差用以下公式表示其中i为输入元、k为隐含元、j为输出元、X为输入量，Y为输出量，Sj为实际承运量，Yj为最大承运量；O表示输出个数，对应于输入数据个数；

根据梯度下降法的原理，权值的修正值与误差函数呈正比为：令：

Wkj表示网络中待学习的权值，a表示常量，E表示误差函数；

则：

Yk表示当前隐含层输出，δk为梯度变化量，H表示当前隐含层输入数据个数；

对于偏置Bj

令：

则：

ΔBj＝δkj     (7)

由上述公式可以得到输出层结点j到隐含层的返向传播的权重W与偏置B如下：Bj＝Bj‑a*δkj    (9)

令：

得到隐含层结点k到输入层的返向传播的权重W与偏置B如下：Bk＝Bk‑b*δik   (12)

b表示常数，从而实现隐含层到输出层的权值的更新其中，BP神经网络隐含层的输出值为

Yk＝f(yk)   (14)

最终输出层的输出值为

Yj＝f(yj)   (16)

最终得到的结果为列车在每个站点的实际承运量，yj表示中间输出值；

所述以当前各站点内人流量为输入量，关系权值作为影响参数传入到蚁群算法建立数学模型，通过不断改变发车间隔来得到最大承运量，同时以期望与实际承运量之间的误差为输入，基于BP神经网络学习功能，实现权值的更新，优化结果，具体包括：以当前各站点内人流量为输入量，关系权值作为影响参数传入到蚁群算法建立数学模型，此处的蚁群算法，基本框架是对于当前人流量，让算法随机去分配上车的人数，并留下相应的信息素，在下一次的迭代的过程中利用这些信息素，对于不同的上车人数，让它以一个特定的概率分布对是否是最大承载进行选择，概率分布如下：其中 表示当前人数量上车的概率，η表示一个启发值，τ为信息素浓度，Jk(r)表示不同上车人数的集合，δ和β表示τ和η的比重，δ越大，τ比重越大，反之亦然，通常设定δ＝1，β＝

6；

调整列车发车时车厢数量与整条线路全天人流量的关系，确定设置最优车厢数量，最后利用ACO算法智能匹配，最终得到最优值，得到最优列车时间间隔和车厢数量，使得列车单次承运量最大化。

2.根据权利要求1所述的一种基于目标检测技术和ACO‑BP算法的智能轨道交通时间控制方法，其特征在于，所述BP神经网络共三层，包括输入层即编码层、隐含层以及输出层，输入层有3个神经元，隐含层有6个神经元，输出层有2个神经元。