近年来,疫情的爆发减弱了居民旅游的意愿,导致旅游景区经济萧条,整个旅游业受到了重大冲击。如何寻找更好的研究视角以及准确的预测旅游人数以便更好的掌握旅游市场发展动态是目前亟待解决的问题。从研究视角来说,互联网普及的同时也记录下了大量用户数据,利用网民行为数据对旅游行为进行预测是具有可行性和合理性的。从精确预测角度来说,由于旅游需求的影响因素复杂,且一般是月度数据量级较少,传统的计量经济学和人工智能模型都无法单独完成预测。因此本文使用网络数据,提出了两步组合模型来提高旅游需求预测的准确性。本文选取北京市景点近十一年月度旅游人数作为研究对象,采取网络搜索指数作为预测变量,选取与研究对象相关的50个关键词构建了自变量关键词库,并爬取了近十一年每个关键词的百度指数日度值。在对关键词库预处理后,针对变量高维问题,采取随机森林（RF）方法计算每个变量的特征重要性,初步选取了 13个变量其累计重要性大于90.3%;针对13个变量中含有噪音的问题,采取信号分解中的完全总体经验模态分解（CEEMD）方法对变量进行分解和重构,从而达到降噪的目的;针对变量间明显带有相关性问题,本文又对13个变量进行主成分分析（PCA）降维,最终得到一组经过RF-CEEMD-PCA处理的输入数据。将处理后的日度高频自变量分别输入单变量自回归混频模型（AR-MIDAS）和多变量自回归混频模型（M-AR-MIDAS）预测月度低频旅游人数数据。通过训练2011年1月至2020年6月的样本内数据,预测2020年7月-2021年9月的北京市旅游景点人数,得到最优的混频模型是M-AR-MIDAS。再将混频模型的预测结果作为粒子群算法优化的支持向量机（PSO-SVR）模型的输入,与M-AR-MIDAS模型进行组合预测,通过MSE和MAPE模型评价指标对比本文采用的组合模型与基准模型的预测效果,验证本文研究模型的有效性。结果表明,本文提出的RF-CEEMD-PCA关键词处理方法和多变量自回归混频—粒子群算法优化的支持向量机（M-AR-MIDAS—PSO-SVR）组合模型在北京市2020年7月-2021年9月数据预测效果较好。该模型既能利用日度百度搜索指数提升预测的时效性,也能够保证预测旅游人数的精确性。虽然说没有一个算法能够完美的解决所有问题,但本文也从理论上为后续研究其他宏观经济以及社会行为领域与旅游人数数据相似（如小样本、非线性的特点）的预测问题提供了参考。