Los enfoques existentes para el análisis de sentimientos en redes sociales suelen centrarse en la clasificación estática, ofreciendo una visión limitada de cómo evoluciona la opinión pública. Este estudio aborda esa brecha al introducir el marco de Predicción Impulsada por Sentimientos y Múltiples Características (MFSF), un nuevo proceso que mejora la predicción de tendencias de sentimientos al integrar información contextual rica del texto. Utilizando modelos de transformadores de última generación en el conjunto de datos Sentiment140, nuestro marco extrae tres señales concurrentes de cada tweet: polaridad del sentimiento, puntuaciones basadas en aspectos (por ejemplo, "precio" y "servicio"), y embeddings de temas. Estas características se agregan en una serie temporal multivariante diaria. Luego empleamos un modelo SARIMAX para predecir el sentimiento futuro, utilizando los datos extraídos de aspectos y temas como variables exógenas predictivas. Nuestros resultados, validados en el conjunto de datos histórico de Twitter Sentiment140, demuestran el rendimiento superior del marco. El modelo multivariante propuesto logró una mejora del 26.6% en la precisión de la predicción (RMSE) en comparación con una línea base ARIMA univariante tradicional. El análisis confirmó que aspectos conversacionales como "servicio" y "calidad" son predictores estadísticamente significativos del sentimiento futuro. Al aprovechar los impulsores contextuales de la conversación, el marco MFSF proporciona una herramienta más precisa e interpretable para que las empresas y los responsables de políticas monitoreen y anticipen proactivamente los cambios en la opinión pública.