随着智慧城市建设的高速推进,包括交通、环境、治安等方面在内的诸多安全问题逐渐暴露出来,准确评估城市安全态势是保障居民出行安全的关键。现有的单一领域静态安全评价方法难以应对复杂多变的出行安全问题,因此,本文提出一种基于多源数据的城市居民出行安全评价方法,旨在通过对多领域数据进行融合、分析和挖掘,全面、准确、动态地感知城市安全状况。本文的研究内容包括出行安全评价特征体系和出行安全时空评价模型两部分,主要完成以下工作:出行安全评价特征体系方面,传统的特征选择方法过分依赖于人的主观评定,缺乏对于特征相关性的考量;而由多源数据提取的高维特征集合中不乏无关特征和冗余特征,进而影响模型分类性能。因此本文提出一种基于多核学习的特征选择方法,以样本加权的方式学习权重系数,从而得到最优特征组合。出行安全评价模型方面,现有研究大多关注相关特征与出行安全之间的映射关系而忽略了出行安全的时空传播特性。考虑同一区域安全指数的时序相关性以及邻近区域安全指数的空间相关性,本文提出一种基于条件随机场和改进BP神经网络的时空域评价模型。首先,根据时间类特征的马尔科夫特性,利用条件随机场理论构建时间域评价模型以模拟安全指数的时序相关性;然后,考虑空间维度中不同栅格之间的特征相关性和地理位置邻近性与安全指数之间复杂的非线性映射关系,利用改进的BP神经网络构建空间域评价模型以模拟安全指数的空间相关性。在模型训练阶段,考虑训练样本数据稀疏性问题,采用基于协同训练的半监督学习方法以提升模型性能。在模型预测阶段,两个评价模型独立进行分类预测,再以动态聚合的方式得到最终的评价结果。实验表明该方法分类预测精确率达82.3%,召回率达70.4%,模型性能优于其他几种常用的分类算法。