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，张旭，余乐安，汪寿阳
发表期刊：中国管理科学
发表时间：2024年7月
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、天坛等七个 5A 级旅游景区自 2023 年 2 月至 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。