近年来,我国社会快速发展,推动了产业转型、服务转型,我国旅游业也进入了黄金发展时期。旅游业的蓬勃发展促进了社会经济和国民经济的提升,但与此同时,旅游人潮的日益庞大也为行业的健康发展带来一些挑战。旅游景区的客流量和资源配置逐渐表现出时间和空间上的不均衡,为景区管理和游客体验带来了负面影响。因此,建立有效的游客量预测模型,从数据中发现消费的规律,提高预测、预判、预备的能力,对于促进我国旅游产业的健康可持续发展具有重要的指导意义。本文首先针对旅游景区日客流量的时空分布特征及相关影响因素进行分析。通过分析景区日客流量在时间上的分布特征,发现旅游客流量具有非线性、周期性、淡旺季分布不均衡以及节假日与非节假日分布不均衡的特点。对于景区日客流量相关影响因素的分析,本文从相关性和可操作性的角度提取出6类对日客流量影响比较大的因素,并从中选取出15个相关指标,为预测任务提供依据。其次,在对数据进行预处理后,通过特征选择从15个影响因素指标中筛选出6个指标作为特征,建立了基于SPCA-LSTM的旅游景区日客流量预测模型。将稀疏主成分分析结合长短时记忆神经网络对景区日客流量进行预测。通过对比实验,证明了 SPCA-LSTM算法比随机森林、支持向量回归等传统的机器学习模型在预测效果上有较大提升,说明了SPCA-LSTM模型具有良好的性能。由于局部数据的非线性特征很强,模型在节假日客流量数据上的拟合度不够,还需要进一步的改进。最后,针对SPCA-LSTM模型对于节假日客流量数据预测精度不够的问题,在原模型的基础上加入卷积神经网络,研究了一种基于SPCA-CNNLSTM的旅游景区日客流量预测模型。加入了卷积神经网络的目的是提取时间步中的局部特征,加强模型的非线性拟合能力,进一步提高预测精度。实验结果说明模型预测效果整体上优于其它模型,对于节假日数据也能达到较高的拟合程度。