目前我国也正处于大力规划、建设和发展城市地铁快速时期。但由于地铁大部分处在相对封闭的地下空间,建筑结构较为复杂,站内设备种类繁多且排列密集,高峰期时客流量密度较大,若突发情况下地铁站内不利于人员应急疏散的隐患因素较多,一旦发生火灾、列车相撞或电力故障恶性事故,很容易引起站内乘客发生中毒、踩踏、窒息等严重后果。因此针对地铁站内应急疏散风险因素的相关研究迫在眉睫,现阶段随着大数据等技术的蓬勃发展,也为地铁应急疏散安全提供了新思维和新方法。本文首先从人因风险、设备风险、管理风险和环境风险四个方面确立疏散风险指标,并以此作为数据挖掘的样本依据。然后运用Apriori算法对地铁疏散风险数据进行挖掘,计算风险指标的频繁项集,找出不利于疏散过程的较大影响因素,发现风险项间的关联规则;另外,由于疏散风险指标数据具有规模大、结构多样和价值密度低等特征,以及传统Apriori算法在面对海量数据时因需要扫描全部数据集所造成的内存消耗大和计算效率极低等不足,提出了基于Map Reduce的并行Apriori算法,并对疏散风险样本数据进行了算例分析,验证了并行的风险数据挖掘模型的可行性,提高了运算效率。最后将改进的并行化风险分析算法模型应用地铁站安全疏散管理,构建了地铁站疏散风险大数据分析系统,以此来实现对关联规则挖掘结果的可视化管理。通过对地铁疏散风险数据的挖掘,识别出紧急情况下严重不利于站内乘客疏散的风险因素,并建立可视化系统对风险结果进行直观展示,有助于安管人员对地铁站的应急疏散管理做出进一步的改进和提升,对减少二次拥挤踩踏事故的发生以及促进地铁站安全运营发挥重要作用。