申请/专利权人：南京航空航天大学

申请日：2020-07-15

公开（公告）日：2024-04-05

公开（公告）号：CN111882033B

主分类号：G06F18/21

分类号：G06F18/21;G06F18/15;G06F18/214;G06N3/084;G06Q50/40

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2020.11.20#实质审查的生效;2020.11.03#公开

摘要：本发明公开了一种基于Keras的区域民航主被动碳排放预测方法，属于民航碳排放预测领域。该方法包括以下步骤：1）确定涵盖区域地理位置、社会经济、民航运输方面影响区域民航主被动碳排放的综合指标体系；2）收集区域内各项指标数值建立数据集，并将其划分为训练集和测试集；3）基于Keras框架构建包含输入层、全连接层和输出层的神经网络模型；4）运用Python调用Keras框架的API构建损失函数和优化函数，将神经网络模型在训练集上训练，并用测试集完成模型参数优化，最终输出并保存模型的结构及权重；5）依据未来区域的各指标数据，使用上述模型进行区域主被动碳排放预测。本发明提升了碳排放预测结果的丰富性与准确性，为开展民航碳减排工作提供理论支撑。

主权项：1.一种基于Keras的区域民航主被动碳排放预测方法，其特征在于，包括以下步骤：1确定涵盖区域地理位置、社会经济、民航运输方面影响区域民航主被动碳排放的综合指标体系；2收集并预处理区域内各项指标具体数值建立数据集，并将数据集划分为训练集和测试集；3基于Keras框架构建包含输入层、全连接层和输出层的神经网络模型，设置每层的神经元个数及激活函数；4运用Python调用Keras框架的API构建损失函数和优化函数，将神经网络模型在训练集上训练，并用测试集完成模型参数的优化，最终输出并保存神经网络的结构及权重；5依据未来区域的各指标数据，使用训练完成的神经网络模型进行未来的区域主被动碳排放预测；步骤1中所述影响区域民航主被动碳排放的综合指标体系包括地理位置、社会经济、民航运输和主被动排放标签，所述地理位置指标包括区域中心经纬度坐标和区域面积，所述社会经济指标包括人口、GDP总量和人均GDP，所述民航运输指标包括区域内民用机场数量、起降架次、旅客吞吐量和货邮吞吐量，所述主被动碳排放标签包括主动排放标签和被动排放标签，所述主动排放标签是指在区域内起降的航班起降及巡航阶段在该区域内产生的碳排放区分标签，所述被动排放标签是指飞越该区域航班的CCD阶段的碳排放区分标签；步骤2的具体过程如下：收集区域各指标对应数据建立数据集，采用标准归一化的方式对数据集进行预处理： 其中，x*为处理后的样本数据，x为原始样本数据，μ为样本数据的均值，δ为样本数据的标准差；将数据集划分为训练集和测试集，划分的方法为：train_test_spilt*arrays,test_size,random_state其中，train_test_spilt为数据集划分函数，*arrays为数据集，test_size为测试集样本数占数据集总数的比例，且test_size∈[0,1]，random_state为随机种子；步骤3中所述基于Keras框架构建包含输入层、全连接层和输出层的神经网络模型具体过程如下：基于Keras框架使用model＝Sequential构建序贯模型，在模型中搭建神经网络的方式为：model.addDenseunits,activation其中，model.add为创建神经网络层函数，Dense为创建全连接层函数，units为结点数，activation为激活函数；设置输入层及全连接层的激活函数为“relu”，其形式为：fx＝max0,x其中，max为最大值函数，x为神经元输入值；因此，构建包含输入层、全连接层和输出层的神经网络方式为： 其中，input_shape为输入层输入张量的大小，None为不设置激活函数；步骤4的具体过程如下：神经网络构建完成后，需要训练模型并计算损失值，配置学习过程的方式为：model.compileloss,optimizer,metrics其中，model.compile为配置函数，loss为损失函数，optimizer为优化器，metrics表示评估模型在训练和测试时的性能指标；设置损失函数为“mean_squared_error”，设置优化器为“Adam”优化算法，设置metrics为均方误差“metrics.mae”；参数配置完成后，使用model对象进行训练，训练模型的方式为：model.fitx_train,y_train,validation_data,epochs,verbose,batch_size其中，model.fit为训练函数，x_train和y_train为训练集的输入和输出，validation_data为验证集，epochs表示训练总轮数，verbose为训练过程的展示选项；batch_size表示一次训练中所取的样本数；训练结束后，通过输出的拟合评价结果来判断拟合效果，其评价结果输出方式为：model.evaluatex_test,y_test,verbose其中，model.evaluate为评价输出函数，x_test和y_test为测试集输入和输出数据，verbose为展示选项；通过输出的评价指标判断是否拟合以及拟合效果是否满足要求；当拟合结果未满足要求时，调整模型的参数设置，进行神经网络模型的优化，直至拟合结果满足要求；神经网络完成拟合后，即获取神经网络的结构以及任一层上各结点的权重值并输出保存，保存网络结构及权重的方式为：model.to_jsonpathmodel.save_weightspath其中model.to_json为模型结构保存函数，model.save_weights为权重保存函数，path表示保存路径；步骤5所述预测方式为：model.predictxfuture其中model.predict为预测函数，xfuture为未来的某区域输入数据，通过设置xfuture中主被动排放标签即预测该区域未来主动碳排放或被动碳排放的总量。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于Keras的区域民航主被动碳排放预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD