社区尺度的诈骗人员、广告推销等行为是新时代城市系统中的重要治安风险的代表。在计算社会学的背景下,以手机信令数据为基础,采用复杂网络的结构挖掘和动态建模理论,结合城市社区特征和背景数据,可以有效的实现此类新型风险的检测、评估和预测。由于其强大的表示和预测能力,动态复杂网络社团检测与演化分析是网络科学研究和应用的核心内容之一。本论文提出了从节点、社团的统计结构特征出发,研究动态网络中社团演化的核心驱动因素,并采用统计网络模型建模多尺度网络演化行为,进一步设计了如何根据网络的演化推测潜在的节点属性,应用于城市风险的量化建模和预测。其主要工作和研究贡献如下:首先,探究了节点的结构属性与社团演化的规律。通过设计,我们将社团内的节点是否在下一时刻发生转移视作二分类问题,用利用特征工程提取每个节点的结构属性作为分类特征,利用决策树对社交媒体数据、论文引用数据以及其他关系型数据的节点的社团转移进行分类,并分析其特征重要性。其次,构建了融合节点演化特征的社团检测模型HB-DSBM。融合节点级别的社团转移趋势以及社团级别的社团转移趋势,通过构建从社团级别转移矩阵到节点级别社团转移矩阵的层次贝叶斯结构,结合动态网络概率生成模型构建了层次贝叶斯动态随机块模型,并利用变分推断对模型进行参数估计。最后,利用手机信令数据对以上的规律以及模型在城市风险计算中的有效性进行实证分析。利用手机信令数据验证节点的度以及节点平均邻居度对节点社团归属是否发生转移找到现实的样例进行分析。同时对层次贝叶斯动态随机块模型进行有效性分析,利用对真实网络的处理,提取出真实网络中的节点社团归属以及社团演化信息,接着通过社团信息对现实世界的事件进行提取并针对真实数据潜在风险进行场景分析并进行可视化。本论文扩展了动态复杂网络研究中社团检测和建模的新思路,扩展了统计模型在网络研究中的应用,对城市风险计算提供了理论范式和新方向。提出的层次贝叶斯动态随机块模型能够有效地提取出动态网络中的社团划分以及社团演化信息,并能够利用真实网络数据进行潜在风险分析。