世界主要国家或地区的政党轮换与领导人更替,可能会在军事、外交、贸易、科技等方面对局部地区甚至整个世界带来重要影响。准确预测指定国家或地区的选举结果,是制定针对性应对策略、行动、计划的重要支撑。然而,选举预测的影响因素多、不确定性大、信息迭代速度快,导致正确预测选举的难度增大。针对单一来源数据预测选举不能全面反映选民政治倾向的问题,本文构建了基于时间序列的数据修正模型、反向归一化模型、多元数据融合预测模型、网民情感分类量化模型和网民情感演变预测模型,从多角度多方面进行选情分析。本文主要做了以下工作:1)提出了基于民调数据纠偏的选情预测模型。首先将多家民调机构结果的平均值作为民调结果的标准值,利用时间序列分析方法对各个民调机构的机构偏差序列进行纠偏,构建了基于时间序列的数据修正模型;然后,将民调数据中未表态数据按照候选人的反向比值分加到对应的候选人上,构建了反向归一化模型;最后在民调纠偏预测模型的基础上,从多元数据出发,结合历史选举结果数据和人口数据,采用贝叶斯框架,构建了多元数据融合预测模型。2)提出了基于网民情感分类量化的选情预测模型。针对政治选举选情领域评论文本语料少和含有评论对象的特点,本文通过构建候选人人名库,基于情感词典、SVM和CNN-LSTM的方法对评论内容进行情感分类,并采用移动平均累积概率将情感分类结果量化为网民对候选人的支持率,建立了网民情感分类量化模型。3)提出了基于网民情感演变的选情预测模型。针对社交媒体数据评论的时效性和网民情感变化的复杂性问题,利用K-means聚类方法、LDA模型和词云构建来分析网民对候选人在不同时间段的态度以及演变过程,构建了网民情感演变预测模型。通过2020年选举真实数据验证,本文构建的5种政治选举选情预测模型在特定情况下都可以较好地预测选举结果,其中反向归一化模型的相对误差最小,效果最好。随着时间推移,网民情感演变预测模型能够较好地分析网民情感的演变对候选人支持率的影响,实验结果展示了不同时间段候选人支持率的变化趋势。