灰色关联度分析法(GRA)_python

已于 2024-08-14 14:49:00 修改
阅读量1w 收藏 115
点赞数 15
分类专栏： 时间序列预测算法 文章标签： python 机器学习 深度学习
于 2022-03-18 10:06:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34229228/article/details/123567453
版权
灰色关联度分析法(GRA)是一种多因素统计分析方法，用于评估序列之间的关联程度。它通过归一化和计算关联度系数来确定影响因素的重要性。在电力负荷预测中，GRA有助于区分主要和次要影响因素。本文介绍了GRA的定义、算法流程，并给出了一个实际案例，展示了如何使用Python进行灰色关联度分析。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

了解本专栏 订阅专栏 解锁全文
灰色关联度分析
2202_76035290的博客
05-31 1296
灰色关联度分析是一个强大的工具，可以帮助研究者和决策者在信息不完全的情况下，有效评估和理解因素间的关系。通过合理应用并结合其他分析技术，可以极大地增强其在各领域的应用价值和实际效果。
灰色关联度分析（python）
weixin_43915303的博客
08-18 4652
灰色关联度分析代码python import pandas as pd x=pd.read_csv('data4.csv') x=x.iloc[:,:].T # 1、数据均值化处理 x_mean=x.mean(axis=1) for i in range(x.index.size): x.iloc[i,:] = x.iloc[i,:]/x_mean[i] # 2、提取参考队列和比较队列 ck=x.iloc[0,:] cp=x.iloc[1:,:] # 比较队列与参考队列相减 t=pd.Data
灰色关联分析，Python实现GRA(gray relation analysis)
PY_smallH的博客
11-23 1万+
灰色关联分析法： 对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。 灰色关联分析，公式网上都有很多，计算也不难，这里就不写公式。 之所以称为关联，是因为他只反映哪一个指标和要对比的指标最有关系，而不反映相关性。 他和相关性系数，没有一毛钱关系，也不对等。
数学建模常用模型（四）：灰色关联分析法
weixin_46877907的博客
07-06 2450
灰色关联分析法（Grey Relational Analysis，GRA）是一种用于多指标决策评价的方法，由灰色系统理论发展而来。它用于分析和评价多个指标之间的相关性和影响程度，帮助决策者进行综合评价和决策。
Python 实现的综合评价系统数学建模详解(灰色关联分析法1.0)
最新发布
heikediguoshinib的博客
03-15 1389
灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越接近，相应序列之间的关联度就越大，反之则越小。它通过计算灰色关联系数来衡量因素之间的关联程度，进而得出关联度排序。本文通过详细的代码示例展示了如何使用 Python 实现灰色关联分析。从数据输入、预处理到最终计算灰色关联系数，每个步骤都进行了清晰的阐述。灰色关联分析在数据分析和决策领域具有广泛的应用，能够帮助我们在数据有限的情况下挖掘因素之间的潜在关系。
python灰色关联度分析_python实现灰色关联分析(GRA)——以红酒质量指标为例
weixin_39840235的博客
11-30 1450
程序简介对红酒质量指标数据进行灰色关联分析，首先进行数据标准化，然后计算关联系数矩阵和平均综合关联度程序输入：第一列为母序列的指标矩阵程序输出：关联度矩阵灰色关联分析方法(GRA)，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。程序/数据集下载代码分析导入模块、路径# -*- coding: utf-8 -*-from Module.BuildMod...
广义灰色关联分析python实现
08-21
刘思峰教授提出的广义灰色关联分析的python算法实现。其中包括绝对关联度，相对关联度和综合关联度的计算实现。
如何利用python实现灰色关联分析？
theskylife的博客
05-11 6725
什么是灰色关联分析？如何进行灰色关联度分析？如何在python中实现灰色关联分析？灰色关联分析有哪些应用场景？灰色关联分析该如何进行归一化？
python实现灰色关联法(GRA)
我不爱机器学习的博客
11-26 3813
python实现灰色关联法(GRA)
python灰色关联度分析代码_GRA灰色关联度分析学习 附python代码
weixin_39591916的博客
02-21 2636
主要学习了这位大佬的文章,讲的也很通俗易懂了以下的示例以及一些图片也是从大佬那边抄过来的,主要记录一下自己的学习感受.灰色关联度分析,听名字很高大上,实际上就是算关联度的一个方法.就是想看看某几个因素中,哪个因素对事情的影响更大.比如 这个例子就算想看,其他这么一堆因子中,对旅游总收入的影响,哪个更大一些.个人从结果上看,还挺像熵权法的…现在知道了就是想算影响关系,那就完成了第一步,确定子母序列,...
灰色关联度分析-Python
axzy5863的博客
05-21 1198
本文主要介绍数学建模中灰色关联分析模型
灰色关联分析(GRA)的理论及应用（matlab和python）
热门推荐
starter_____的博客
08-26 11万+
什么是灰色关联分析 灰色关联分析是指对一个系统发展变化态势的定量描述和比较的方法，其基本思想是通过确定参考数据列和若干个比较数据列的几何形状相似程度来判断其联系是否紧密，它反映了曲线间的关联程度。 通常可以运用此方法来分析各个因素对于结果的影响程度，也可以运用此方法解决随时间变化的综合评价类问题，其核心是按照一定规则确立随时间变化的母序列，把各个评估对象随时间的变化作为子序列，求各个子序列...
灰色关联度等_关联度python_python关联分析_灰色关联度等_
10-03
软件学习 编程 灰色关联度分析 python有意思的小游戏
灰色关联分析法详解及python实践
肖永威的专栏
02-13 9011
灰色关联分析主要有两个作用，一是进行系统发展影响因素分析，诊断影响系统发展的重要因素。第二个作用就是用于综合评价问题，给出研究对象或者方案的优劣排名，可用于经营管理咨询工作。由于企业经营数据偏少，大数据方法不适用，因此，我们把企业好比一个灰色系统，挖掘有限数据的价值，对可识别的指标进行分析。本文详解灰色关联分析方法，以及基于python应用实践。
灰色关联法 —— python
PY洋洋
02-25 2万+
1.简介 2.算法详解 2.1 数据标准化 2.2计算灰色相关系数 2.3 计算灰色关联度系数 3.实例分析 3.1 读取数据 3.2 数据标准化 3.3绘制 x1,x4,x5,x6,x7 的折线图 3.4计算灰色相关系数 完整代码
Python 灰色关联度分析
weixin_45063703的博客
09-11 6075
前言 关联度:对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度. 灰色关联度分析（Grey Relation Analysis，GRA），是一种多因素统计分析的方法，是一种对影响目标序列的相关因素进行定量分析的模型。 本文采用一个示例，简单分析一下。 数据集 链接: https://pan.baidu.com/s/1pmPSvoZ-9wYRrPbFFKM_-w 提取码: obo2 程序 import pandas as
Python 数学建模——灰色关联度分析
wr114514的博客
09-12 1598
介绍了灰色关联度的使用，并与 Pearson/Spearman 相关系数进行了对比。
python做灰色关联度分析_python实现灰色关联
weixin_36297610的博客
01-29 2092
灰色关联分析(Grey Relational Analysis, GRA)通常可以运用此方法来分析各个因素对于结果的影响程度，也可以运用此方法解决随时间变化的综合评价类问题，其核心是按照一定规则确立随时间变化的母序列，把各个评估对象随时间的变化作为子序列，求各个子序列与母序列的相关程度，依照相关性大小得出结论。此方法通过对动态过程发展态势的量化分析，完成对系统内时间序列有关统计数据几何关系的比较，...
【数学模型】灰色关联分析
suic009的博客
08-07 1万+
数学模型-灰色关联分析
灰色关联分析法 arima模型 python
03-08
### 结合灰色关联分析法与ARIMA模型 为了在Python中实现灰色关联分析法和ARIMA模型的时间序列预测，通常先通过灰色关联分析识别出对目标变量有显著影响的因素。之后，基于这些因素构建ARIMA模型来进行更精确的预测。 #### 数据预处理阶段 由于灰色关联分析要求输入的数据矩阵中的每一列代表不同的对象或样本点而每行表示同一特征下的观测值，所以在应用前可能需要对原始数据集进行转置操作[^2]。这一步骤确保了后续计算的相关性和准确性。 ```python import numpy as np import pandas as pd def transpose_data(dataframe): """将DataFrame按需转置""" transposed_df = dataframe.T return transposed_df ``` #### 执行灰色关联分析 接着执行灰色关联度计算以找出哪些因子最能解释被预测量的变化趋势。这里假设已经有了经过适当整理后的多维时间序列数据作为输入： ```python from grey import GreyRelationalAnalysis # 假设有一个实现了灰色关联分析算法的库 gra_model = GreyRelationalAnalysis() result_gra = gra_model.fit_transform(prepared_dataset) significant_factors_indices = result_gra.argsort()[-n_significant:] # 获取最重要的几个因素索引 selected_features = prepared_dataset[:, significant_factors_indices] ``` 注意：上述代码片段依赖于虚构模块`grey.GreyRelationalAnalysis()`，实际项目里应替换为具体实现或者第三方包提供的相应接口函数。 #### 构建并训练ARIMA模型 选定关键驱动因素后，就可以专注于建立单个或多元ARIMA(p,d,q)过程来捕捉剩余未解释部分内的动态模式。p参数对应自回归项的数量；d指差分阶数使原序列为平稳状态所需次数；q则决定了移动平均成分长度。这部分工作可以通过statsmodels库完成: ```python from statsmodels.tsa.arima.model import ARIMA for factor_index in range(selected_features.shape[1]): series_to_predict = selected_features[:, factor_index] model = ARIMA(series_to_predict, order=(p, d, q)) fitted_model = model.fit() forecasted_values = fitted_model.forecast(steps=forecast_horizon) # 存储或进一步处理预测结果... ``` 以上流程展示了如何整合两种技术的优势——即利用GRA筛选潜在因果关系较强的前置条件，并以此为基础调整和完善最终的统计学框架设计。值得注意的是，在实践中还需考虑更多细节问题比如超参数调优、异常检测以及残差诊断等方面的工作[^3]。
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

hellobigorange

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值