地铁软件测算拥堵主要通过以下几种方法：
实时数据采集
地铁软件通过安装在列车和车站的传感器、摄像头等设备，实时采集车厢内的乘客数量、位置等数据。这些数据可以通过无线网络传输到中央服务器进行处理和分析。
视频图像分析
一些地铁软件采用图像处理技术，通过分析车厢内的视频图像来估算拥挤度。具体步骤包括视频图像采集、预处理、目标识别和拥挤度计算。例如，可以使用基于果蝇算法优化的BP神经网络模型来自动输出人群拥挤度识别结果。
数学模型预测
通过收集和分析历史数据，地铁软件可以建立数学模型来预测未来的拥挤情况。这些模型可以考虑时间、日期、节假日、天气等多种因素，以提供更准确的预测结果。
用户行为分析
地铁软件还可以通过分析用户的出行行为数据，如出行时间、路线选择等，来预测特定时间段和路线的拥挤情况。
API和第三方数据
一些地铁软件会与公共交通运营机构合作，获取实时的客流量数据。这些数据可以通过公开的API或者官方网站获取，并结合其他相关数据进行综合分析。
动态颜色显示
地铁地图上通常会用不同的颜色来表示拥挤度，如红色代表非常拥挤，橙色代表拥挤，黄色代表较拥挤，绿色代表舒适。这些颜色的变化可以直观地反映当前车厢的拥挤情况。
温度监测
部分地铁软件还会监测车厢内的温度，因为温度的变化也可以间接反映乘客的密集程度。
通过上述方法，地铁软件能够实时或预测地铁的拥挤情况，帮助乘客做出更合适的出行决策。需要注意的是，这些测算方法都有其局限性，实际拥挤情况可能会受到多种因素的影响，因此乘客在出行时还需结合其他信息做出判断。