一种基于Keras的区域民航主被动碳排放预测方法技术

本发明专利技术公开了一种基于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。本发明专利技术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。

【技术实现步骤摘要】
一种基于Keras的区域民航主被动碳排放预测方法
本专利技术涉及一种基于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。
技术介绍
民航碳排放来源广泛，其中航空器是排放的主体。因此，减少航空器碳排放是实现民航绿色发展的核心任务。而进行减碳行动之前，需要对民航碳排放的情况有详细的了解，这就要求有关部门建立民航碳排放清单，系统掌握民航碳排放的现状与趋势。考虑到民航飞机运行跨区域的特殊性以及有效提升减排措施的针对性，将某区域内民航碳排放划分为主动碳排放(即在区域内起降的航班LTO(LandingandTake-off，着陆与起飞)及CCD(Climb、CruiseandDescent，爬升巡航及进近)阶段在该区域内产生的碳排放)与被动碳排放(即其余飞越该区域航班的CCD阶段的碳排放)，可提出更合理且有针对性的减排目标，以达到理想的减排效果。因此，区域民航主被动碳排放的预测可以为更精确地开展民航碳减排工作提供支撑。通常预测以线性回归、神经网络、随机森林等方法最为常见，线性回归方法需要在使用前判断输入与输出是否为线性关系，有较高的局限性；神经网络可以较好地弥补这一缺陷，常见的BP(BackPropagaion，误差逆传播算法)神经网络虽然可以实现预测但其拟合速度慢、精度不够高，使得预测结果无法满足理想标准；随机森林方法涉及参数较复杂并且模型训练和预测速度比较慢。基于Keras框架的神经网络能够较好地满足民航碳排放预测时精度、速度、主被动排放区分等要求。Keras是基于Theano(机器学习库)的一个深度学习框架，也是一个高层神经网络API(ApplicationProgrammingInterface，应用程序接口)，它的设计参考Torch(深度学习框架)，使用Python(计算机程序设计语言)编写进一步对TensorFlow(基于数据流编程的符号数学系统)进行了封装。
技术实现思路
为解决现有区域民航排放预测未区分主被动碳排放、预测精度低、计算速度慢等不足，本专利技术提出了一种基于Keras的区域民航主被动碳排放预测方法，确定涵盖区域地理位置、社会经济、民航运输等影响区域民航主被动碳排放的综合指标体系，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，基于Keras框架构建神经网络模型，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，并在测试集上进行测试，以此优化并确定模型各参数，最终输出并保存神经网络的结构及权重。依据未来区域各指标数据，使用上述模型即可进行未来的区域主被动碳排放预测。本专利技术为解决其技术问题采用如下技术方案：一种基于Keras的区域民航主被动碳排放预测方法，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.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。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.compile(loss,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.fit(x_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.evaluate(x_test,y_test,verbose)其中，model.evaluate()为评价输出函数，x_test和y_t本文档来自技高网...

【技术保护点】
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：/n(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；/n(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；/n(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；/n(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；/n(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。/n

【技术特征摘要】
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“...

【专利技术属性】
技术研发人员：胡荣，朱昶歆，刘博文，张军峰，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32