1.一种基于数字孪生的社区应急方法，其特征在于，所述方法包括：获取目标社区的目标数据和历史数据，并基于所述目标数据确定目标社区的结构组分；

基于所述目标数据构建数字孪生模型，通过所述历史数据训练所述数字孪生模型，生成推演模型；

设置多种决策初始条件并输入至所述推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况；

通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断所述突发情况与所述初始情况是否一致；

若一致，则选取与所述突发情况一致的初始情况对应的预推演结果作为目标推演结果；若不一致，则确定所述突发情况的影响范围，并基于所述影响范围确定目标推演结果；

根据所述结构组分、所述目标推演结果和预设评价指标确定所述突发情况关联的目标应急链路，根据所述目标应急链路生成并输出社区应急处理指令；

所述若不一致，则确定所述突发情况的影响范围，并基于所述影响范围确定目标推演结果的步骤，包括：若不一致，基于所述结构组分和所述预推演结果确定所述突发情况的影响范围；

根据所述影响范围从所有所述预推演结果内确定所述突发情况对应的相近预推演结果；

采用推演算法对所述预推演结果进行小范围重推演，生成目标推演结果；

所述若不一致，基于所述结构组分和所述预推演结果确定所述突发情况的影响范围的步骤，包括：若不一致，以节点图的形式记录所述结构组分与所述预推演结果的关系；

采用图神经网络对所述节点图进行学习，生成因果相关模型；

通过所述因果相关模型根据所述突发情况确定所述突发情况的影响范围；

所述采用图神经网络对所述节点图进行学习，生成因果相关模型的步骤，包括：采用图神经网络学习并更新节点图上各节点的表示向量，并通过函数汇聚节点表示信息，得到所述节点图的图级别的表示向量，其中聚合过程与读出过程分别为：；

；

式中， 表示节点 在 层的特征向量； 为非线性激活函数； 为特征向量的聚合函数； 为节点 的邻居节点， 为读出函数， 为节点图上节点集合，为节点图向量；

让所述节点图的图表示经过多个不同的多层感知机模型与分类器模型，分离出不同的因果特征；所述因果特征表示突发情况的一种初始影响范围的影响特征；

对分离后的因果特征进行重新组合，得到一个干预后的新的图表示，重新估计结构组分和初始影响范围的因果关系；

将不同的因果关系以不同权重汇聚到同一个损失函数，并优化模型的参数，得到与因果特征相关的因果相关模型；

；

其中， 表示第 个权重值， 表示分类数量， 表示样本数量， 表示序列个数，表示分类真实值， 表示分类预测值，下小标表示不同的分类类别。

2.根据权利要求1所述的社区应急方法，其特征在于，所述目标数据包括社区数据、环境数据和居民数据；所述数字孪生模型的构建步骤，包括：基于所述社区数据、环境数据和居民数据分别构建数字孪生社区模型、数字孪生环境模型和数字孪生居民分布模型；

将所述数字孪生社区模型、所述数字孪生环境模型和所述数字孪生居民分布模型相互关联，生成数字孪生模型。

3.根据权利要求1所述的社区应急方法，其特征在于，所述根据所述结构组分、所述目标推演结果和预设评价指标确定突发情况关联的目标应急链路，并根据所述目标应急链路生成并输出社区应急处理指令的步骤，包括：根据所述结构组分和所述目标推演结果构建目标社区的应急网络；

基于预设评价指标设置相应的优先等级，按照预设评价指标的优先等级从所述应急网络内提取所述突发情况关联的目标应急链路；

根据所述目标应急链路生成并输出用于指导社区居民进行逃生路线选择和资源分配的社区应急处理指令。

4.根据权利要求3所述的社区应急方法，其特征在于，所述根据所述结构组分和所述目标推演结果构建目标社区的应急网络的步骤，包括：根据所述结构组分的分布、种类和数量构建应急处理模型；

基于所述应急处理模型和所述目标推演结果构建目标社区的应急网络。

5.根据权利要求4所述的社区应急方法，其特征在于，所述社区应急处理指令包括人员指引指令、信号指令和分配指令；所述根据所述目标应急链路生成用于并输出指导社区居民进行逃生路线选择和资源分配的社区应急处理指令的步骤，包括：根据所述目标应急链路生成并输出人员指引指令和分配指令；

基于所述应急处理模型确定所述突发情况的突发事件等级；

结合所述突发事件等级和所述目标应急链路，生成并输出逃生路线上的信号指令。

6.一种基于数字孪生的社区应急装置，其特征在于，所述装置包括：数据获取模块，用于获取目标社区的目标数据和历史数据，并基于所述目标数据确定目标社区的结构组分；

推演模型生成模块，用于基于所述目标数据构建数字孪生模型，通过所述历史数据训练所述数字孪生模型，生成推演模型；

预推演结果生成模块，用于设置多种决策初始条件并输入至所述推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况；

监控模块，用于通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断所述突发情况与所述初始情况是否一致；

目标推演结果确定模块，包括目标推演结果确定第一子模块和目标推演结果确定第二子模块；目标推演结果确定第一子模块，用于若一致，则选取与所述突发情况一致的初始情况对应的预推演结果作为目标推演结果；目标推演结果确定第二子模块，用于若不一致，则确定所述突发情况的影响范围，并基于所述影响范围确定目标推演结果；

社区应急处理指令输出模块，用于根据所述结构组分、所述目标推演结果和预设评价指标确定所述突发情况关联的目标应急链路，并根据所述目标应急链路生成并输出社区应急处理指令；

目标推演结果确定第一子模块具体用于，若不一致，基于所述结构组分和所述预推演结果确定所述突发情况的影响范围；根据所述影响范围从所有所述预推演结果内确定所述突发情况对应的相近预推演结果；采用推演算法对所述预推演结果进行小范围重推演，生成目标推演结果；

所述若不一致，基于所述结构组分和所述预推演结果确定所述突发情况的影响范围的步骤，包括：若不一致，以节点图的形式记录所述结构组分与所述预推演结果的关系；

采用图神经网络对所述节点图进行学习，生成因果相关模型；

通过所述因果相关模型根据所述突发情况确定所述突发情况的影响范围；

所述采用图神经网络对所述节点图进行学习，生成因果相关模型的步骤，包括：采用图神经网络学习并更新节点图上各节点的表示向量，并通过函数汇聚节点表示信息，得到所述节点图的图级别的表示向量，其中聚合过程与读出过程分别为：；

；

式中， 表示节点 在 层的特征向量； 为非线性激活函数； 为特征向量的聚合函数； 为节点 的邻居节点， 为读出函数， 为节点图上节点集合，为节点图向量；

让所述节点图的图表示经过多个不同的多层感知机模型与分类器模型，分离出不同的因果特征；所述因果特征表示突发情况的一种初始影响范围的影响特征；

对分离后的因果特征进行重新组合，得到一个干预后的新的图表示，重新估计结构组分和初始影响范围的因果关系；

将不同的因果关系以不同权重汇聚到同一个损失函数，并优化模型的参数，得到与因果特征相关的因果相关模型；

；

其中， 表示第 个权重值， 表示分类数量， 表示样本数量， 表示序列个数，表示分类真实值， 表示分类预测值，下小标表示不同的分类类别。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1‑5任一项所述的基于数字孪生的社区应急方法。