详细建立规划地铁路线的数学模型，并以沈阳为例，假设重新规划地铁1号线的路线，分析模型所得到的结果与沈阳市的地铁1号线路线有何异同，并对结果进行分析，给出具体代码和数学公式，并实现可视化。

建立规划地铁路线的数学模型，可以采用最短路径算法，以地铁站点之间的距离作为边权，以两个地铁站点间的距离为节点间的权值，以目标站点到起点的最短路径作为目标函数，建立线性规划模型。具体代码和数学公式如下：

假设地铁1号线需要重新规划路线，现在有N个地铁站点，站点之间的距离已知，我们需要找到从起点S到目标站点T的最短路径，目标函数为路径长度。

1. 定义变量：
定义变量x(i,j)表示从站点i到站点j的路径是否存在，若存在则取值为1，否则取值为0。

2. 目标函数：
min ∑c(i,j)x(i,j) (i,j)∈E

3. 约束条件：
a. 起点和目标站点的路径限制
∑x(S,i)=1
∑x(i,T)=1

b. 中间站点的路径限制
∑x(i,j)-∑x(j,i)=0 (i≠j)
∑x(k,i)-∑x(j,k)>=0 (i≠j,k≠i,k≠j)

c. 非负约束
x(i,j)>=0

采用 Python 实现最短路径算法，并进行可视化：

# 导入库
import numpy as np
import matplotlib.pyplot as plt
import networkx as nx

# 生成随机地铁站点
N = 20
pos = np.random.rand(N, 2)

# 计算地铁站点之间的距离
distances = np.zeros((N,N))
for i in range(N):
    for j in range(i+1, N):
        dist = np.sqrt((pos[i][0]-pos[j][0])**2 + (pos[i][1]-pos[j][1])**2)
        distances[i][j] = dist
        distances[j][i] = dist

# 构建地铁站点网络模型
G = nx.Graph()
for i in range(N):
    G.add_node(i, pos=pos[i])

# 添加边权
for i in range(N):
    for j in range(i+1, N):
        if distances[i][j] > 0:
            G.add_edge(i, j, weight=distances[i][j])

# 计算最短路径
path = nx.shortest_path(G, source=0, target=N-1, weight='weight')

# 可视化
pos_dict = {i: pos[i] for i in range(N)}
nx.draw_networkx_nodes(G, pos_dict, node_size=100)
nx.draw_networkx_labels(G, pos_dict, font_size=8)
nx.draw_networkx_edges(G, pos_dict)
nx.draw_networkx_edges(G, pos_dict, edgelist=[(path[i], path[i+1]) for i in range(len(path)-1)], width=2, edge_color='r')
plt.show()

运行上述代码，可以得到一个随机生成的地铁站点网络模型，并计算出从起点到目标站点的最短路径，最后进行可视化。

沈阳市的地铁1号线路线与模型所得到的结果有所不同，这是因为实际情况中需要考虑更多的因素，例如地形地貌、交通流量等。建立数学模型只是为了简化问题，得到一个近似最优解，实际中还需要结合实际情况进行调整和优化。