1.一种基于贝叶斯网络的城市老旧社区安全风险评价方法，其特征在于：包括以下步骤：步骤S1：依据期刊文献、老旧社区事故报告确定城市老旧社区安全风险评价指标，城市老旧社区安全风险评价指标包括人为风险、建筑物及设备设施风险和社区环境风险三个一级指标；

人为风险包括个人风险认知、个人不安全行为、社区日常管理能力、社区应急管理能力四个二级指标；

建筑物及设备设施风险包括社区建筑承灾能力、社区安全设施完备性、社区基础设施脆弱性三个二级指标；

社区环境风险包括社区交通便利性、社区周边设施危险性、社区政策敏感性、社区安全建设资金投入、社区安全文化建设水平五个二级指标；

步骤S2：从专家调查问卷数据收集城市老旧社区安全风险评价指标数据然后进行数据预处理，数据预处理包括确定每位专家对各个二级指标的风险状态评价；

步骤S3：采用贪婪厚薄化算法构建城市老旧社区安全风险评价指标网络结构进行贝叶斯网络结构学习，包括如下步骤：步骤S3.1、输入步骤S2数据处理结果；

步骤S3.2、选择贪婪厚薄化算法作为结构学习的算法；

贪婪厚薄化算法是通过在空白网络上不断添加节点间的有向线段，直到增加的有向线段不会导致边际似然函数增加，再不断删减有向线段，直到删减的有向线段不会导致边际似然函数减少，从而得到最优的结构模型；

步骤S3.3、根据专家对评价指标间影响关系的判断构造初始结构；

步骤S3.4、设置算法中离散阈值和最大父节点数参数；

步骤S3.5、构建城市老旧社区安全风险评价指标网络结构；

步骤S4：采用期望极大算法训练城市老旧社区安全风险评价指标网络的条件概率分布，进行贝叶斯网络参数学习，包括如下步骤：步骤S4.1、输入步骤S2数据处理结果；

步骤S4.2、选择期望极大算法作为参数学习的算法；

期望极大算法包括如下步骤：

1)输入观测变量数据Y，隐变量数据Z，联合分布P(Y,Z|θ)，条件分布P(Z|Y,θ)；

(0)

2)选择参数的初值θ ，开始迭代；

(i)

3)E步：求期望，记θ 为第i次迭代参数的估计值，在第i+1次迭代的E步中，计算P(Z|Y,(i) (i)θ )在给定观测数据Y和当前参数估计θ 下隐变量数据Z的条件概率分布：(i) (i+1)

4)M步：求极大；使Q(θ,θ )极大化的第i+1次迭代的参数估计值θ ：

5)重复上述步骤3)、4)，直到收敛；

6)输出模型参数θ；

步骤S4.3、确定目标节点；

步骤S4.4、设置参数初始化，选择算法的起点；

步骤S4.5、输出各评价指标节点的条件概率分布；

步骤S5：采用k‑折叠交叉验证法检验城市老旧社区安全风险评价模型的准确性，进行贝叶斯网络模型检验，包括如下步骤：步骤S5.1、输入步骤S2数据处理结果；

步骤S5.2、选择k‑折叠交叉验证作为模型检验的方法；

步骤S5.3、设置折叠次数和折叠种子参数；

步骤S5.4、输出验证结果；

验证结果通过接受者操作特征曲线显示出来，ROC曲线是一个坐标模式分析工具，用来显示模型的精度范围，当ROC曲线与坐标轴围成的面积大于等于0.5，表明上述构建的城市老旧社区安全风险评价模型具有预测价值；

步骤S6：基于上述基本操作提出城市老旧社区安全风险评价技术流程，包括如下步骤：步骤S6.1、城市老旧社区安全风险评价指标数据收集与预处理；

步骤S6.2、输入城市老旧社区安全风险评价指标数据；

步骤S6.3、基于步骤S5确定的城市老旧社区安全风险评价模型输出城市老旧社区安全风险状态。