基于XGBoost的时间序列异常预测：信息供需失衡的智能预警系统

本文介绍一个开源机器学习项目，核心是利用XGBoost分类器预测时间序列异常，通过分析GDELT新闻数据（供给端）与维基百科浏览量（需求端）的关系构建信息差异指标，实现提前两天预警信息环境中的“真空”与“过剩”异常状态。该系统旨在解决信息生态失衡的前瞻性监测问题，对新闻媒体、投资机构等多领域具有重要价值。

信息生态系统中供需失衡（如信息真空或过剩）常预示社会动态变化，影响舆论、市场决策等。传统舆情监测多为事后分析，本项目目标是实现前瞻性预测——提前两天发出预警，为新闻媒体、政策制定者等提供决策支持。

项目量化信息差异（Information Delta）：

1. 数据源：供给端用GDELT全球新闻事件数据，需求端用Wikiviews浏览量数据。
2. 数据标准化：原始数据除以期望值消除量纲差异：$

本文介绍了一个利用XGBoost分类器预测时间序列异常的机器学习项目。该系统通过分析GDELT新闻数据与维基百科浏览量的关系，构建信息供需差异指标，能够提前两天预警信息环境中的"真空"与"过剩"异常状态。