地铁车站地下空间疏散问题研究进展

本文发布已获得《都市快轨交通》授权

原文发表于《都市快轨交通》

2026年 第1期

如有转载请联系版权方，标明出处

洪小春1, 2，陈炼1，孙萍2, 3，董杰2, 3

随着地铁枢纽站和换乘站等功能复合型站点的建设，地铁车站地下空间的结构日益复杂。地铁车站地下空间的封闭性、层次化和人员密集性，使其在突发情境下的疏散问题成为亟待研究的重点课题。在地铁系统的设计和运营中，车站的疏散问题关系到公共安全、出行效率和乘客的舒适体验[1]。目前学界普遍认为地铁车站地下空间突发事件具有易发性、突发性、不确定性、公共性等特点[2]，这些特点共同影响了事件的发展进程和应急响应的效率，如地铁由于高密度的人流和复杂的技术环境，容易引发各类安全事故，这些事件往往在没有明显预警的情况下迅速发生，且事故后果难以预测。乘客作为地铁车站地下空间的主要群体，发生事故时，易造成心理恐慌，加大拥堵和拱桥现象的产生，倘若处理不当将产生更大、更广的安全事故，使应急响应和安全管理面临极大挑战[2-3]。因此，为了科学开展地铁车站地下空间疏散研究，就不同类型地铁车站地下空间特征、疏散的潜在问题、疏散人群行为特征、疏散实验、仿真、疏散布局及路径优化等的研究进行系统综述和总结。

1地铁车站类型及其地下空间疏散问题特征

在地铁系统中，车站类型的多样性直接影响车站设计与疏散方案的复杂性。尤其是在高密度、高流量的城市环境中，地铁车站地下空间的疏散问题成为公共安全与城市交通管理的关键环节。根据车站的功能、布局以及乘客流量，地铁车站大致可以分为普通车站、换乘车站、枢纽车站等几种主要类型，每类车站在疏散问题上的挑战和设计需求有所不同。

1.1地铁车站类型及其特征

普通车站地下空间通常服务于单一地铁线路，其结构较为简单，主要承载日常通勤和出行的乘客；虽然客流量相比换乘站或枢纽站少，但在工作日的早晚高峰时段，仍需处理大量的上下车乘客。换乘车站地下空间则是多条地铁线路交会而成，客流密度大；需要在不同线路之间换乘，乘客流线交织且在不同层级间流动，因此空间布局更为复杂，设计时需要精确考虑乘客的流动路径和换乘时间。枢纽车站地下空间通常是城市交通系统的核心节点，不仅服务地铁乘客，还需要与公交、出租车、长途客运等其他交通方式有效衔接，因此乘客流动方向更加多元，车站地下空间的设计需要协调各个流线，以避免交叉拥堵[4]。综合交通枢纽站地下空间通常位于重要的交通节点，承载地铁、公交、长途客运等多种交通工具的功能，不仅客流量极为庞大，且结构复杂、功能多样，服务的交通系统也繁杂。在这些地铁车站地下空间中，乘客流线的交汇和疏散问题更为复杂，设计时必须充分考虑不同流线之间的有效衔接以及高密度客流下的疏散能力。

1.2不同类型地铁车站地下空间疏散问题特征

对于普通车站，由于客流量相对较小，疏散问题较为简单，但在高峰期或紧急情况下，楼梯和出口区域可能发生拥堵。此外，普通车站的出入口数量通常较少，无法应对高密度的乘客流量，疏散效率受到影响。换乘车站由于多条线路交会，乘客流线错综复杂[5]。换乘流线与疏散流线的交叉可能导致人员滞留，乘客常难以快速定位疏散通道，甚至可能出现方向混乱。枢纽车站作为地铁与其他交通方式交汇的关键节点，涉及多种交通流线的交织，存在明显的短时集中效应，其建设规模庞大，疏散时面临的路径选择也更为复杂，且由于不同交通方式的客流相互干扰、人员决策困难等问题极大影响整体的疏散时间。综合交通枢纽站因结构多层化、功能复合化，其空间规模往往更为庞大，且跨区域携带行李的旅客较多。疏散时，应急通道内多方人流交会，换乘通道、垂直楼梯等交通设施在大客流冲击下，难以承载瞬时激增的疏散压力，拥堵风险大幅攀升。如何平衡不同交通工具乘客的疏散需求，确保快速疏散，是亟待解决的难题。

1.3地铁车站地下空间疏散的共性问题

尽管不同类型的车站在功能和客流量上有所区别，但它们在疏散设计和实际操作中常常面临一些共性挑战。这些问题主要体现在乘客流线设计、疏散通道配置、应急响应机制等方面[6]。首先，高峰期的客流量急剧增加，乘客流线交叉混乱，导致疏散压力增大。其次，疏散通道设计上的不足，常常在应急情况下成为疏散瓶颈，影响乘客的快速流动[7]。此外，车站内公共空间的应急响应和引导系统缺乏有效且统一的标准，以及实时信息传递和有效的疏散指引，乘客在紧急情况下容易迷失方向[8]。最后，设计与运营阶段的脱节也是地铁车站地下空间疏散问题的共性挑战，设计阶段未能充分考虑实际运营中的疏散需求，导致在紧急情况下的疏散应急预案不足。综合来看，现阶段地铁车站地下空间的疏散问题主要体现在设计、运营、技术、管理等多个方面，通过优化空间布局、增加疏散通道、完善引导系统和设备配置等措施，提高疏散效率，确保乘客在突发事件中的安全。既有研究在开展疏散体系效率提升研究时，不仅从时间角度进行考虑，还根据站内空间形态特征、疏散路径的复杂程度、可能拥挤程度、路径的安全性等特点进行综合考量[9]，而空间的几何形状及平面布局等方面呈现出的形态，关乎行人逃生路径的疏散效率[10]。目前国内外学者针对地铁车站地下空间的研究主要包含个体及群体行人的行为特征、疏散实验、疏散仿真平台、疏散布局及路径优化5方面，基于此本文将对既有文献的研究成果进行系统梳理、总结与分析，探讨目前研究存在的问题与不足，为从事本领域的研究人员提供参考借鉴。

2地铁车站地下空间疏散行为

2.1疏散场景与疏散分析方法

2.1.1问卷调查问卷调查是收集疏散行为数据的一种常用方法，研究者可以详细了解乘客在不同紧急情况下的疏散倾向、行为动机以及对疏散指示的响应等。问卷通常包括基本人口信息、历史疏散经验、对安全措施的认知，以及在特定疏散场景下可能采取的行动[11]。此外，问卷调查可以结合实地模拟演练，对比实际观察数据与自报数据的差异，以提高研究的准确性和深度[12]。如张洪杰等[13]基于问卷调查的结果构建地铁乘客帮助行为结构方程模型，分析人员各类特性与帮助行为的作用关系；PAN等[14]基于问卷调查的结果总结出乘客的疏散效率受自身行为特征的影响。但这种分析方法也存在一定局限性，受试者在理性状态下的选择与真实疏散环境中受恐慌心理影响的选择存在差异。詹新等[12]通过对同一批次的受试者在疏散前后进行两次问卷，其结果表明突发事件下受试者理性选择的比例下降了32%。2.1.2计算机模拟实验基于车站的结构布局、出口位置等信息，并结合人员行为的基本假设和规则，可在计算机环境中实现人员疏散过程的动态模拟，且数据输出简单、直观[15]。目前计算机模拟主要有宏观和微观模型，宏观模型将空间内部人员假设为一个整体，综合考虑人群特性变化、密度和速度并取平均，便于理清突发事件下影响行人疏散效率的具体因素，但不能描述个体及群体行为[16]，微观模型虽然计算量相对较大，但模型从个体行为特征出发，能够描述行人多因素影响下的运动模式，更符合现实疏散场景。因此，目前所做研究大多采用微观模型展开。典型的微观模型主要有社会力模型、元胞自动机、Agent模型等以及它们的组合形式。社会力模型具备人员空间、疏散人数以及疏散速度3个基本参数[17]，能很好地反映行人间的互动和运动动机，但同时存在行人重叠问题以及缺乏行人行为特征的考虑。元胞自动机模型计算规则相对简单，能较为真实模拟复杂场景行人的疏散过程，但行人的路径选择只能沿“米”字形且缺乏对障碍物影响的考虑，自由度上有所局限[15]，模型常规运算流程如图1所示。

相较于传统社会力模型和元胞自动机模型，Agent模型能够对所有个体进行单独设置，呈现出个体的完全异质性，使仿真的效果更加精准[15]。同时，Agent模型与社会力模型结合使用，可以模仿实际场景中行人的各类行为，以及个体与障碍物或其他个体的碰撞情形[18]。此外，原有微观模型所存在的局限性，可通过与其他模型的结合使用以进一步强化突发事件下疏散行为特征的精准性。如YANG等[19]将社会力模型与最小成本模型进行耦合，再现了地铁车站地下空间乘客的运动规律和路径选择行为。2.1.3行为观察行为观察方法通过视频监控、现场观察或演练等方式，直接记录乘客在突发事件中疏散人员的行为规律、速度、人员密度、总疏散时间，能较准确捕获行人在疏散过程中路径和出口选择的应急反应和习惯[15]。行为观察可分为常态下和灾后，常态环境下，通过在多路径交汇处和楼梯口处进行观测，根据观测内容分析行人通行的路径选择偏好、拥堵地段以及速度变化规律[20]，而灾后则是对实际案例保存的视频数据进行分析，获取行人灾时的应急反应。如房志明等[21]以监控数据分析行人的疏散时间和速度等参数，发现梯段的拥堵节点对整体疏散效率影响显著。上述三种疏散行为分析方法，在一定程度上为研究人员获取人员行为特征提供了便捷途径。其中，问卷调查适用于对灾害场景下人员的疏散行为进行预测，判断其逃生路径和突发事件中的真实想法，但由于部分回答者受到社会期望影响或对常态下的疏散行为进行设想，无法反映出真实疏散场景；计算机模拟是目前学界广为采取的研究手段，针对复杂的建筑场景，尤其对多因素耦合下的疏散行为分析具有独特优势，但其结果过度依赖输入数据的准确性和完整性，对实际场景做出过于理想化的模型假设，缺乏人群本具有的多样性和随机性，依靠有限的数据难以准确描述；行为观察分析方法可直接观察并记录人员在演练或紧急事件中的行为，获取最真实的疏散行为数据，对于总结行人一般性的行为模式和规律具有直观效果，但在复现真实事件中存在诸多限制且场景数量有限，难以涵盖所有可能，导致结果的适用性和准确性都有局限性。

2.2疏散行为特征

受突发事件影响，地铁疏散行人在寻觅出口的过程中表现出一系列典型性和规律性的行为特征，这些特征将会对个人以及整个疏散群体的疏散效率造成影响。学者们总结出地铁车站地下空间突发事件行人的基本行为特征主要有从众行为[22-23]、折返行为[24]、路径及出口选择行为[25-26]、帮助行为[13]等(见表1)。

相关行为的驱动因素可归结为心理恐慌，且在一定程度上，心理恐慌还可能引发如推搡等其他极端行为[27]。此外，在突发事件下疏散行人急于逃离危险源，因而常伴随着拥挤和踩踏现象的发生，这一现象若没有得到有效疏导易发生拱形效应和瓶颈现象使出口发生堵塞[28]。地铁车站地下空间的疏散行为是多样且复杂的，主要受突发事件的影响及个体或群体心理状态驱动[30]。现有研究通过问卷调查、行为观察、计算机模拟等方法能深入分析地铁车站地下空间的疏散行为，但均有其优点和部分局限[31]。问卷调查能够提供乘客在理性状态下的预期行为，但往往与实际疏散行为存在差异，特别是在高压恐慌情况下；行为观察实验的参数设定和场景复现仍难以完全贴合现实情况；计算机模拟实验则提供了更接近实际的疏散数据，但模型参数的精准度还应当在今后的研究中不断优化与改进，如引入决策行为、互动行为、恐慌心理等多种参数。

3地铁车站地下空间疏散实验

3.1实体实验

实体实验是在实际地铁站或类似环境中进行，通过邀请不同受试者参与演练进行疏散任务，获得的结果相比问卷调查的分析方法更加真实可靠，同时较能反映乘客在实际环境中的出口和路径选择，实验流程如图2所示。

如王一等[32]，探究在能见度较低场景下地下公共建筑中个体及小群体在上行楼梯时的疏散特征，发现低能见度下梯段速度受影响程度相对平台更大；YOON[33]等邀请不同类型乘客参加突发事件下的疏散实验，以探讨疏散行为受各类因素的影响程度及其与疏散效率的关系；JEON[34]研究出口标志和疏散效率之间的相关性，实验采用半透明眼罩模拟火灾中的烟雾环境，结果表明出口标志周围空间条件的变化影响被测试者的疏散速度。

3.2模拟地铁车站地下空间环境的疏散实验

模拟地铁车站地下空间环境的疏散实验是在地下停车场或其他开放空间对地铁车站地下空间真实场景进行仿造，控制环境中重现地铁车站地下空间的特定部分，并增设障碍物、引导标识等设施，也有采用室内虚拟现实仿真技术[35]，设计通常包括场景构建和行为脚本编写以模拟多种紧急情况的人员反应和疏散动态，使其有效模拟地铁车站地下空间的疏散过程，实验流程如图3所示。

如徐建等[36]通过跑步机加虚拟眼镜的方式模拟地铁车站地下空间的真实环境，研究揭示了视觉感知与空间行为的关系。CHEN等[37]运用VR和眼动追踪(ET)技术，探究疏散标识的颜色对行人疏散效率的影响，发现在疏散逃生绩效、眼动指标和生理指标三方面“红-黑”组合的标识配色均表现出最佳的引导效果。LIN[35]等为分析空间知识完整性和人群流动模式如何影响疏散行为，基于HTCVive头戴式显示器模拟北京某地铁站的3D场景，研究发现空间知识的完整性关乎行人疏散路径的选择倾向。地铁车站地下空间的狭小和曲折特性，以及复杂的站台、换乘通道、楼扶梯等设施，要求实验能够还原这一结构特点。实体实验能够直接观察和记录乘客在真实环境中的反应，但由于地铁车站地下空间的复杂性和人流密集性，这些动态环境在实验中往往难以复现[35]。而虚拟现实(VR)和计算机模拟等技术用于疏散研究，能够更为真实地构建地铁车站的结构和流线，成为补充传统实体实验的重要手段。其局限在于，还原车站规模感和复杂环境时，模拟的准确性受到计算机模型和输入数据的限制，且由于缺乏真正的“物理”限制和紧急情况下的心理反应，难以呈现地铁车站地下空间的尺度感和疏散人员的真实行为模式。因此，将虚拟现实技术与实体实验结合，并使用虚拟眼镜模拟现场环境、利用跑步机模拟行人运动等复杂技术，成为提高实验的真实性和可靠性的重要举措。

4地铁车站地下空间疏散仿真

4.1仿真疏散平台

计算机仿真疏散平台作为疏散相关研究的典型手段，在地铁车站地下空间疏散研究中具有诸多优势，对于复杂的地铁车站地下空间结构能够做到精准还原[38]。目前常用的疏散平台多由国外公司所研发，虽然近几年我国部分研究团队自主参与部分仿真软件设计，但在功能、适用场景、运算结果方面与国外还有一定差距，未能得到广泛应用[39]。目前常用的疏散平台主要有Steps、Legion、AnyLogic、Pathfinder等(见表2)。

Steps算法以元胞自动机模型为核心[39]，支持常态与应急疏散两种模式，可通过CAD文件快速建模。该模型允许自由设定人员参数，能实现最短路径规划与动态避障[40]。然而，模型通过网格划分空间的方式虽降低了计算复杂度，却难以精确还原复杂不规则建筑结构。Legion算法基于元胞自动机模型构建，由ModelBuilder、Simulator、Analyser三大模块组成，可对建筑空间利用率、人员流量、疏散方案等核心指标进行系统性评估[28]，仿真流程见图4。该平台能够精准模拟行人疏散运动特征，通过引入个体间及与障碍物的相互作用机制，真实还原复杂场景下的人员动态行为[41]。但在应用中这两款软件行人的运动方向受限，对复杂场景的模拟精度还不够高，因此并未被广泛采用。在地铁站疏散研究领域，AnyLogic仿真平台的运用较为成熟，其算法核心基于社会力模型，兼具对离散、连续及混合系统的建模仿真能力[42]，可通过Java编程灵活设置场景与行人参数，精准还原疏散场地细节[38]，仿真流程见图5。

其二次开发功能支持与计算机语言编写的算法协同工作，极大提升了模型的扩展性，但对于大规模空间的建立行人逻辑过于复杂，且不支持其他3D模型导入，限制了复杂场景的应用。Pathfinder算法核心基于智能体模型，平台自身提供了SFPE和Steering两种运动模式[28]，行人的各项参数和行为均可单独设置，仿真流程见图6。相对AnyLogic，该平台自带丰富的建模功能[41,43]，同时支持BIM三维模型导入，提升了平台的建模效率[44]。因此，以该平台为支撑的相关研究较多。

4.2仿真疏散典型工况

工况的选择与设计对应实际可能发生的疏散场景，包括平时与应急两种状态。为此，不少学者在设定研究工况时提出“平急两用”理念，常态下人员流动管理经验可以为灾害时的紧急疏散提供基础，而灾时的疏散要求也能反哺平时的设施优化。常态高峰客流下，其核心目标是保障效率与秩序，通过合理组织交通流线，避免人员集中拥堵。因此有不少学者通过调整闸机开放数量、优化站台候车区划分等工况设计，以缩短客流高峰期的停滞时间[9]。同时，高峰期地铁车站地下空间的人员数量也是研究焦点，部分学者通过不同的行为和年龄差异的人群验证地铁站的通行能力，也有学者依据地铁站安全疏散规范，在6min的时间阈值下，判断地铁站在高峰期内所能容纳的最高人流量。而突发灾害时的工况设计相对复杂，既要兼顾常态下的通行需求，也要满足应急时的要求，让同一方案能适应两种截然不同的场景。灾时应急疏散的核心目标是为了让人员能够以时间更短通行更安全地通往出口。然而，灾害的发展具有多样性和不可预测性，且地铁车站地下空间内人流密度和特征在不同时间段也存在差异[45]，因此更加考验实验人员的工况设计。既有研究为验证地铁站突发事件下的疏散能力，通过对路径及出口使用条件限制[45-46]、起火点的位置[47]、人流密度[48]、特殊灾种等不同工况判断地铁车站地下空间疏散效果。如李丹辰等[49]对地铁车站地下空间站台层进行不同垂直交通设施的失效状态进行仿真模拟，其结果表明出入口故障为影响人员疏散效率的关键。此外，不同的灾害环境下人员的疏散行为也有所差异，因此基准工况的创建也不尽相同，学者们通过对地铁车站地下空间涉及灾种进行精细化建模，以进一步还原真实疏散环境，从而制定相应的应急疏散优化策略(见表3)。

4.3仿真疏散热点

地铁车站地下空间研究的切入点在不断变化和深入，如何提高仿真模型的准确性和可靠性成为探讨的热议话题。早期的研究重点多集中于站内人流密度、疏散设施优化、疏散模拟与验证方面，如QIN等[48]、周百灵等[55]研究早晚高峰以及节假日等最不利条件下地铁车站地下空间的疏散能力；杨鑫刚等[56]研究疏散楼梯宽度对行人通行效率的影响；许慧等[57]基于AnyLogic疏散平台验证重庆两路口地铁站的应急疏散能力。随着疏散研究的推进，学者发现单纯优化物理结构和路径优化算法只能保障理想状态下的疏散。但在实际疏散过程中，由于个体行为的复杂性与不确定性，人员未必遵循既定路线行径，导致疏散效果难以达到预期。因此，针对人员行为特征的研究成为当今热点，如恐慌状态下行为特征和传播机制[58-59]、个体之间的相互作用力[13]对疏散速度的影响等。同时，多因素耦合作用对疏散影响的关注度近年来也在上升，如突发事件与地铁车站地下空间结构或其他次生灾害耦合，目前较多研究针对火灾[2]、水灾[51,60]背景下的枢纽车站地下空间展开疏散模拟[49]。随着研究视角的延伸，以火灾安全疏散为主要研究方向的学者开始聚焦地铁站隧道区间的突发灾害。这类研究常借助FDS等火灾模拟软件，探究火灾烟气的蔓延规律及通风系统的运行效能等问题。如李宇辉等[61]将火灾仿真与人员疏散模拟相结合，分析疏散门间距及疏散通道宽度对人员疏散效率的影响，进而确定了疏散门间距与疏散平台宽度的最优参数。在应对地铁地下空间洪涝灾害的疏散研究中，智能化模型通过融合多源灾害数据与行人行为机制，实现动态路径优化与风险预判。多场耦合的元胞自动机模型作为基础框架，综合静态场(出口距离梯度)、动态水深场、流速场及物理支撑场，计算行人转移概率[62]。为进一步提升精度，多智能体(Multi-Agent)模型引入群体异质性参数(年龄、体力、恐慌程度)，结合社会力模型模拟推挤行为，揭示了出口拥堵的自组织临界现象[63]。其局限在于多物理场实时交互建模不足(如湍流-人群互馈机制仍需LES模型深化)，且跨系统协同存在数据壁垒(排水系统、地铁信号网络独立运维)。此外，AI技术在仿真疏散中的应用也是研究的热点话题，基于人工智能来实现更精准的人员行为预测和疏散路径规划的研究也慢慢兴起，如梁裕卿等[64]提出了一个由深度Q学习算法与A*算法结合的混合算法，开发出一种基于该算法的BIM消防疏散路径绘制与检查平台，输出结果可靠且速度快，目前已在多个正式项目中运用。上述各平台能模拟复杂地铁站的结构和疏散行为，提高疏散中对堵塞和拥挤路段的可视化和优化能力，且在处理离散和连续系统建模方面有较高灵活性和扩展性。然而，研究有明显不足：首先，仿真技术虽理论上有高度可控性和复现性，但模型准确性受输入数据真实性和参数设定限制，模拟结果可能与真实情况有偏差；其次，现有研究多侧重技术和模型应用，较少关注模型假设和参数的实地验证，可能导致仿真研究与实际应急疏散需求脱节，影响研究成果实际应用效果。此外，目前国内仿真平台也逐渐崭露头角，但在功能、适用性和用户友好度方面与国际成熟平台仍有差距。

5地铁车站地下空间疏散优化

综合国内外相关文献可知，地铁车站地下空间疏散优化研究总体呈现出“模型仿真深化、空间布局精细化、路径规划智能化”的发展特征。既有研究普遍认为，在安全约束前提下实现疏散效率最优化是地铁空间防灾设计的核心目标，且空间布局与路径组织是影响疏散效率的关键变量。从研究特点来看，空间布局优化方面多聚焦于站台、站厅、通道、楼梯、扶梯及闸机等关键节点的配置关系，通过社会力模型、智能体模型等手段揭示结构参数对疏散效率的敏感性规律，形成了较为系统的量化分析体系。路径优化研究则呈现出算法化与智能化趋势，主要采用A*、Dijkstra、遗传算法等智能规划方法，结合疏散仿真平台实现最短路径与最优路径的动态匹配，有效提升了复杂地铁枢纽内疏散路线的决策效率与安全性。此外，部分学者将仿真模型与乘客行为心理、实时监测系统相结合，推动了数据驱动型动态疏散管理的探索。然而，既有研究仍存在显著不足。其一，仿真模型多依赖理想化参数设定，真实地铁场景中乘客的非理性行为、恐慌心理与社会互动尚难以充分反映，导致模型结果与实际疏散过程存在偏差。其二，研究多集中于单一灾害情景(如火灾或洪水)，缺乏针对复合灾害与多源风险的系统性疏散策略研究。其三，疏散优化研究大多以单一车站为样本，横向比较与分类型研究不足，尚未形成适用于不同规模、结构及客流特征车站的普适性设计标准。其四，现有研究成果多停留在仿真与理论层面，缺乏与实际工程决策、应急演练体系及智能监控技术的深度融合，未能构建可落地的动态调度与实时优化机制。因此，未来研究亟须在多灾耦合背景下构建高精度仿真模型，结合BIM、GIS与AI算法开展全流程数据驱动的疏散模拟与优化，形成集预测、决策与反馈为一体的韧性化疏散体系，以实现地铁车站地下空间防灾能力的智能化与系统化提升。

6结论

本文系统综述了地铁车站地下空间疏散问题的国内外研究现状，包括站点类型及空间特征、疏散行为、仿真技术及空间布局与疏散路径优化策略。地铁车站地下空间封闭复杂、人流密度高，乘客疏散行为受心理状态、环境条件等因素影响，尤其恐慌心理易致非理性行为，增加疏散难度。社会力模型、元胞自动机等数学模型为疏散行为研究提供了有力工具，助力研究者优化路径和策略评估。研究结论如下：1)科学的空间布局和合理的疏散路径设计对提升疏散效率至关重要，如调整出口位置、增宽通道、改善布局等可有效减少疏散时间，而疏散标识的优化设计与合理布置能够在疏散时有效引导疏散人员逃离险区，尤其对不熟悉场地流线的人群的疏散效率具有重大影响。2)既有地铁车站地下空间疏散研究虽成果颇丰，但仍存在亟待突破的技术壁障与理论瓶颈。首先，现有的数学模型及仿真技术在参数设定和场景还原难以完全契合复杂多变的现实环境，从而限制了模型预测的准确性与可靠性。其次，多数研究着重于理论模拟和定量分析，缺乏实际灾害情境下的实地验证，致使研究结果的实用性和推广性受限。3)现有研究对不同地铁站类型的空间布局差异关注较少，未能细化不同类型站点的疏散需求，难以全面适应不同地铁站类型的特殊疏散要求，影响了疏散策略的全面性和效果。需要说明的是本研究在梳理现有研究成果时也存在一定的局限：一方面在于对地铁站案例的实地调研不足，难以诠释地铁车站地下空间疏散的复杂面貌；另一方面，囿于篇幅限制，对疏散模型的解析多停留在对模型输出结果的归纳层面，未能深入拆解不同模型在模拟突发事件时人员疏散行为的微观差异，尤其是多灾耦合层面，缺乏系统性梳理。因此，基于现有研究及本文梳理过程中暴露的不足，未来研究应继续深化地铁车站地下空间疏散研究，引入VR、大数据分析和AI等先进技术，提高疏散仿真的准确性和可靠性，以更精确地预测人群行为和优化疏散路径。同时，加强心理学、社会学、城市规划和安全工程等多学科的交叉合作，全面考虑疏散行为的多方面因素，开发出更全面有效的疏散模型和策略。扩大实地模拟实验的规模和深度，将理论研究与实际应用相结合，验证疏散策略在实际环境中的效果，以期在真实突发事件中更好地保障公共安全。