本发明涉及人工智能，特别是涉及一种预测碳排放的深度学习方法和人工智能治理系统。
背景技术：
1、不同商品在生产和消费过程中都会产生碳排放。
2、在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术无法计算消费的商品的碳排放的高低，无法进行用户将要消费的商品的碳排放的预测，更无法进行低碳商品的推荐。
3、因此，现有技术还有待于改进和发展。
技术实现思路
1、基于此，有必要针对现有技术的缺陷或不足，提供预测碳排放的深度学习方法和人工智能治理系统，来计算消费的商品的碳排放的高低，进行用户将要消费的商品的碳排放的预测，进而进行低碳商品的推荐。
2、第一方面，本发明实施例提供一种深度学习方法，所述方法包括：
3、碳特征识别深度学习模型构建步骤：从用户消费行为中提取消费的商品名称及其该商品所属行业作为输入，以碳特征标签作为预期输出，对碳特征识别深度学习模型进行训练；
4、碳特征识别深度学习模型使用步骤：以用户消费行为中提取消费的商品名称及其该商品所属行业作为输入，通过碳特征识别深度学习模型进行识别，得到的输出作为用户消费行为中消费的商品对应的碳特征标签，并获取输出的置信度。
5、优选地，所述方法还包括：
6、样本标签库更新步骤：将置信度大于或等于预设置信度的样本及其标签加入样本库和标签库；将置信度小于预设置信度的样本及其标签发送给专家复核，获取专家复核后的样本及其标签加入样本库和标签库；当样本库和标签库中样本和标签数量的增加量达到预设阈值，则回到碳特征识别深度学习模型构建步骤重新执行。
7、优选地，所述方法还包括：
8、个体碳排放预测模型构建步骤：将多个个体用户中每一个体用户的用户信息、时间信息、经济信息、k个预设时长内用电量、消费的商品、碳排放量、碳减排量作为输入，将所述每一个体用户的k个预设时长之后的1个预设时长内用电量、消费的商品、碳排放量、碳减排量作为预设输出，训练个体碳排放预测模型；
9、个体碳排放预测模型使用步骤：将待预测个体用户的用户信息、时间信息、经济信息、过去最近的k个预设时长内用电量、消费的商品、碳排放量、碳减排量作为输入，通过个体碳排放预测模的预测，得到的输出作为待预测个体用户的将来1个预设时长内用电量、消费的商品、碳排放量、碳减排量。
10、优选地，所述方法还包括：
11、群体碳排放预测模型构建步骤：将多个群体用户中每一群体用户的用户信息、时间信息、经济信息、k个预设时长内用电量、消费的商品、碳排放量、碳减排量作为输入，将所述每一群体用户的k个预设时长之后的1个预设时长内用电量、消费的商品、碳排放量、碳减排量作为预设输出，训练群体碳排放预测模型；群体包括家庭或公司；不同群体需要训练出不同的群体碳排放预测模型；
12、群体碳排放预测模型使用步骤：将待预测群体用户的用户信息、时间信息、经济信息、过去最近的k个预设时长内用电量、消费的商品、碳排放量、碳减排量作为输入，通过群体碳排放预测模的预测，得到的输出作为待预测群体用户的将来1个预设时长内用电量、消费的商品、碳排放量、碳减排量。
13、第二方面，本发明实施例提供一种人工智能治理系统，所述系统包括：
14、碳特征识别深度学习模型构建模块：从用户消费行为中提取消费的商品名称及其该商品所属行业作为输入，以碳特征标签作为预期输出，对碳特征识别深度学习模型进行训练；
15、碳特征识别深度学习模型使用模块：以用户消费行为中提取消费的商品名称及其该商品所属行业作为输入，通过碳特征识别深度学习模型进行识别，得到的输出作为用户消费行为中消费的商品对应的碳特征标签，并获取输出的置信度。
16、优选地，所述系统还包括：
17、样本标签库更新模块：将置信度大于或等于预设置信度的样本及其标签加入样本库和标签库；将置信度小于预设置信度的样本及其标签发送给专家复核，获取专家复核后的样本及其标签加入样本库和标签库；当样本库和标签库中样本和标签数量的增加量达到预设阈值，则回到碳特征识别深度学习模型构建模块重新执行。
18、优选地，所述系统还包括：
19、个体碳排放预测模型构建模块：将多个个体用户中每一个体用户的用户信息、时间信息、经济信息、k个预设时长内用电量、消费的商品、碳排放量、碳减排量作为输入，将所述每一个体用户的k个预设时长之后的1个预设时长内用电量、消费的商品、碳排放量、碳减排量作为预设输出，训练个体碳排放预测模型；
20、个体碳排放预测模型使用模块：将待预测个体用户的用户信息、时间信息、经济信息、过去最近的k个预设时长内用电量、消费的商品、碳排放量、碳减排量作为输入，通过个体碳排放预测模的预测，得到的输出作为待预测个体用户的将来1个预设时长内用电量、消费的商品、碳排放量、碳减排量。
21、优选地，所述系统还包括：
22、群体碳排放预测模型构建模块：将多个群体用户中每一群体用户的用户信息、时间信息、经济信息、k个预设时长内用电量、消费的商品、碳排放量、碳减排量作为输入，将所述每一群体用户的k个预设时长之后的1个预设时长内用电量、消费的商品、碳排放量、碳减排量作为预设输出，训练群体碳排放预测模型；群体包括家庭或公司；不同群体需要训练出不同的群体碳排放预测模型；
23、群体碳排放预测模型使用模块：将待预测群体用户的用户信息、时间信息、经济信息、过去最近的k个预设时长内用电量、消费的商品、碳排放量、碳减排量作为输入，通过群体碳排放预测模的预测，得到的输出作为待预测群体用户的将来1个预设时长内用电量、消费的商品、碳排放量、碳减排量。
24、第三方面，本发明实施例提供一种人工智能治理装置，所述装置包括第二方面实施例任意一项所述系统的模块。
25、第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
26、第五方面，本发明实施例提供一种人工智能机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
27、本实施例提供的预测碳排放的深度学习方法和人工智能治理系统，利用深度学习模型识别低碳商品、其它商品、高碳商品，并对用户未来消费的低碳商品、其它商品、高碳商品进行预测，并将其中其它商品和高碳商品对应的低碳商品推荐给用户，从而提高对用户消费行为与碳排放相关性的识别能力，并且能够提高低碳消费行为的识别和推荐低碳商品的能力。
1.一种深度学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的深度学习方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的深度学习方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的深度学习方法，其特征在于，所述方法还包括：
5.一种人工智能治理系统，其特征在于，所述系统包括：
6.根据权利要求5所述的人工智能治理系统，其特征在于，所述系统还包括：
7.根据权利要求5所述的人工智能治理系统，其特征在于，所述系统还包括：
8.根据权利要求5所述的人工智能治理系统，其特征在于，所述系统还包括：
9.一种人工智能机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
