摘要： 城市社区火灾风险受居民活动、商业业态、建筑老化等多重动态因素影响，传统静态评估方法难以捕捉隐患演变趋势。本文提出一种基于多源数据的社区火灾风险动态评估与致灾因子识别方法，整合地理信息数据、房屋交易信息、商业活动数据及社交网络评论，构建涵盖5大类指标的多维特征体系。综合运用XGBoost进行特征重要性排序、Apriori算法挖掘评论文本关联规则、LSTM神经网络实现多变量时序预测，实现社区火灾风险的动态研判与致灾因子的精细化识别。以天津市某街道2023年8月至2024年4月数据进行实证，结果表明：社区商铺密度、商户新增评价数、交通峰值压力位于特征重要性前三；评论文本中“充电→电线”“堆放→楼道”“施工→物业管理”等规则置信度大于0.75；LSTM模型预测RMSE为1.306 6，可有效捕捉社区火灾风险的时空演变特征。本文方法可为基层消防安全管理提供数据驱动的决策支持。