これはあくまで一種の遊びであり、正確な予測を目指したものではありません。

データ準備

まずは、平成以降の衆議院の解散日をリストアップします。

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures

# 平成以降の衆議院解散日
release_dates = pd.to_datetime([
    '1990-01-24',
    '1993-06-18',
    '1996-09-27',
    '2000-06-02',
    '2003-10-10',
    '2005-08-08',
    '2009-07-21',
    '2012-11-16',
    '2014-11-21',
    '2017-09-28',
    '2021-10-14',
])

--

次に、これらの解散日をUNIXタイム（1970年1月1日からの経過秒数）に変換します。

# UNIXタイムに変換
release_dates_unix = release_dates.astype(np.int64) // 10**9

モデルの構築

今回は多項式回帰を使用します。多項式回帰は、単純な線形回帰よりも複雑なデータパターンを捉えることが可能です。

# 2次の多項式特徴を生成
poly = PolynomialFeatures(degree=2)

# データのインデックス（0から始まる連続した整数）を2次の多項式に変換
indices = np.array(range(len(release_dates_unix))).reshape(-1, 1)
indices_poly = poly.fit_transform(indices)

# 線形回帰モデルを作成
model_poly = LinearRegression()

# モデルを多項式特徴に適合
model_poly.fit(indices_poly, release_dates_unix)

次回の衆議院解散日の予測

この多項式回帰モデルを使って、次回の衆議院の解散の日を予測します。

# 次の解散日のインデックスを多項式に変換
next_index_poly = poly.transform(np.array([[len(release_dates_unix)]]))

# 次の解散日を予測
next_timestamp_poly = model_poly.predict(next_index_poly)

# UNIXタイムスタンプを日付に変換
next_date_poly = pd.to_datetime(next_timestamp_poly[0], unit='s')

print('次の衆議院解散予測（多項式回帰）: ', next_date_poly.date())

実行結果

予測の結果は以下の通りです。

次の衆議院解散予測（多項式回帰）:  2023-12-30

--

2023年12月30日(土)と予測されましたが、年末年始で確率は低そうですね。ただし、データ分析の観点から、過去のパターンを用いて未来を予測するという試み自体が面白いです。

ここまでお読みくださりありがとうございました！