基于LSTM模型的旅游流量时间序列预测分析(1).pdfVIP

信息记录材料２０２５年５月第２６卷第５期

基于ＬＳＴＭ模型的旅游流量时间序列预测分析

刘函斌，吴海洋，刘爽，张娟

（郑州升达经贸管理学院河南郑州４５１１９１）

【摘要】为了实现节假日旅游流量的精准预测，本研究提出了一种基于长短期记忆（ｌｏｎｇｓｈｏｒｔ⁃ｔｅｒｍｍｅｍｏｒｙ，ＬＳＴＭ）模型的旅游流

量预测方法，旨在提高节假日等特殊时段的旅游流量预测精度。本研究构建了结合“时光轴地图”的时空特征向量，并分析了ＬＳＴＭ

－

模型在时间序列预测中的应用。基于上海海南景区客流数据集进行了实验，结果表明：该方法在多组测试集上均表现优异，决定系

数普遍高于０８５，且相对误差较小，验证了ＬＳＴＭ模型在节假日旅游流量预测中的有效性。

【关键词】长短期记忆（ＬＳＴＭ）；时空特征；游客流量；流量预测

－－－

【中图分类号】ＴＰ３９１【文献标识码】Ａ【文章编号】１００９５６２４（２０２５）０５０１３００３

０引言（１）历史地理信息收集与时光轴地图构建。收集目

近年来，随着旅游产业的快速发展，游客流量的准确标区域的历史地理信息，包括文化遗产、重要历史事件等，

预测已成为提升景区管理效率、优化资源配置、保障游客构建时光轴地图，通过时间轴展示不同历史时期的关键事

［１］件，尤其是与旅游流量相关的节假日活动、节庆事件等。

安全的重要手段。然而，旅游流量数据往往呈现出非线

性、季节性和周期性等复杂特征，给传统预测方法带来了（２）时光轴地图与旅游流量数据融合。将时光轴地

较大的挑战。如何通过科学有效的模型对旅游流量进行图的时间轴与历史旅游流量数据结合，建立时间序列模

精准预测，已成为当前学术界和业界亟待解决的重要型，识别不同历史节点、节假日与旅游流量之间的关系；通

－

［２３］过时光轴地图上的节点信息（例如节假日或特定历史事

课题。

目前，时间序列预测方法在旅游流量预测领域得到了件），为旅游流量预测提供额外的空间与时间背景信息。

广泛应用，主要包括传统的统计模型（差分整合移动平均（３）ＬＳＴＭ模型与时光轴地图结合。采用ＬＳＴＭ模型

［４］处理历史旅游流量数据，学习长短期时间依赖关系；结合

自回归模型）和基于机器学习的模型（如支持向量回归

模型）。尽管这些方法在一定程度上取得了较好的效果，时光轴地图提供的节假日信息，将节假日因素作为额外输

但对于旅游流量这种具有高度时间依赖性和复杂波动性入特征，优化ＬＳＴＭ模型的预测结果，提升预测精度。

的数据，传统方法在捕捉长时间依赖关系和非线性特征方（４）旅游流量预测与接待计划制定。利用预测的旅

面仍存在局限性。此外，目前少有研究将时间序列预测与游流量数据，为景区管理者提供游客人数预测，帮助其根

地理信息系统相结合，从空间和时间两个维度对旅游流量据历史节假日流量的变化规律和预测结果，制定合理的接

进行联合分析与预测。待与资源调配方案。

为解决上述问题，本研究首先结合“时间轴地图”深

－

入探讨了节假日旅游流量的空间时间预测机制，旨在实

现对特定时空范围内旅游流量的精细化预测。其次，构建

了基于长短期记忆（ｌｏｎｇｓｈｏｒｔ⁃ｔｅｒｍｍｅｍｏｒｙ，ＬＳＴＭ）网络［５］

的旅游流量预测模型，旨在充分挖掘旅游流量数据中的