研究成果：基于改进Transformer模型的景区短时客流预测研究
作者：李新
发表期刊：中国管理科学
期刊级别：FMS T1
发表时间：2025年2月
摘要：当前的旅游需求预测研究大多以年度、月度和日度频率的数据为主，而在短时高频的客流预测研究方面仍有待深化。本研究提出了一个基于改进Transformer模型的景区客流量预测框架，通过采集北京颐和园、故宫、天坛等7个5A级旅游景区2023年2月—2023年8月的每15分钟数据，采用TPE优化算法对Informer、Autoformer和Fedformer三种基于Transformer的深度学习模型进行改进，对北京7个景区的高频客流量开展一步和多步预测，并与其他深度学习模型（DeepAR、TCN、LSTM）、机器学习模型（GBRT）以及时间序列模型（ARIMA）在多种预测情境中的精度进行评价。结果表明，三种基于改进的Transformer模型在预测表现上展现出显著优势，尤其是Informer模型。本文提出的研究框架丰富了短时客流数据的分析方法，是对现有旅游需求预测研究的重要拓展，能够提高景区高频客流预测精度，在提升景区管理效率和支持决策制定等方面具有重要的现实意义。