使用新型时间衰减模型进行选举预测：以美国总统大选为例

选举预测是一项具有高社会影响力的持续科学挑战，当前数据驱动的方法试图将统计数据与经济指数和机器学习有效结合。然而，网络科学的最新研究指出了时间特征在意见扩散中的重要性。因此，我们结合微观意见动力学和时间流行病学的概念，开发了一种新颖的宏观时间衰减（TA）模型，该模型利用选前民调数据来提高预测准确性。我们的假设是，公布民意调查的时间点在意见如何振荡方面起着重要作用，尤其是在选举前夕。因此，我们将意见动量定义为一个时间函数，当意见被注入多意见选民系统时，该函数会反弹上升，而在松弛状态下则会衰减。我们在 1968 年至 2016 年美国大选的调查数据上验证了 TA 模型，在 13 次总统选举中，TA 有 10 次优于统计方法以及当时的最佳民调机构。我们提出了 TA 模型的两种不同实现方式，它们在 48 年期间累积的平均预测误差为 2.8-3.28 个百分点。相比之下，统计方法累积了 7.48 个百分点的误差，而最佳民调机构累积了 3.64 个百分点的误差。总体而言，与现有技术相比，TA 的预测性能提升了 23-37%。我们表明，当可用民调相对较少时，TA 的有效性不会下降；此外，随着选前调查可用性的增加，我们相信我们的 TA 模型将成为与其他现代选举预测技术并列的参考模型。