[发明专利]一种基于Keras的区域民航主被动碳排放预测方法

权利要求书

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。

2.根据权利要求1所述的一种基于Keras的区域民航主被动碳排放预测方法，其特征在于，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。

3.根据权利要求1所述的一种基于Keras的区域民航主被动碳排放预测方法，其特征在于，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。

4.根据权利要求1所述的一种基于Keras的区域民航主被动碳排放预测方法，其特征在于，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.add(Dense(units,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：

f(x)＝max(0,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。