利用互联网搜索趋势和深度学习方法进行城市旅游客流量预测

《Frontiers in Artificial Intelligence》：Urban tourist volume forecasting using internet search trends and deep learning methods

　　**摘要**
准确预测主要城市旅游目的地的游客到访量对于优化旅游资源分配和制定数据驱动的营销策略至关重要。为满足这一需求，本研究提出了一个新的预测框架，该框架将深度学习方法与在线搜索行为数据相结合。具体而言，我们提出了DTN（动态旅游网络）模型，该模型结合了分离 shape 和时间序列标准化（Dish-TS）与时间卷积网络（TCN），并利用百度指数数据作为在线搜索趋势的关键指标来预测中国三亚的游客到访量。通过多种评估指标的实证验证表明，DTN 模型在预测游客数量方面的准确性上持续优于传统的深度学习方法，取得了统计学上的显著改进。这一进步为目的地管理系统中的实时旅游需求预测提供了稳健的分析基础。值得注意的是，所提出的方法仅在具有明显季节性和可用百度指数数据的热门城市旅游目的地进行了评估；其适用于其他类型目的地或以不同搜索引擎为主的地区的情况仍需进一步验证。

**1 引言**
随着社会经济的快速发展和人口需求的日益多样化，旅游业在全球国民经济中的战略重要性显著增加（Schrader 等人，2025；Zhou 和 Zhuang，2025）。旅游业不仅提升了公众的生活质量，还为各地区带来了可观的经济效益，并成为地方经济增长的重要驱动力。因此，准确预测城市的旅游需求——特别是游客数量——对于合理规划旅游资源、优化旅游设施和制定有效的营销策略至关重要。

传统的旅游需求预测方法主要依赖于历史数据，如游客数量和旅游收入的时间序列数据，并使用统计模型进行预测。然而，这些方法往往无法充分考虑互联网时代信息传播的速度和实时性。移动互联网的普及使得人们在出行前可以通过搜索引擎获取大量关于旅游目的地的信息，而搜索的具体关键词反映了潜在的旅游需求。因此，分析移动互联网搜索趋势与旅游需求之间的关系为旅游需求预测提供了新的视角和方法。

然而，利用在线搜索数据进行旅游预测的现有研究仍面临多方面的挑战。在数据层面，搜索引擎数据（例如百度指数）通常具有高维噪声和随机波动性。现有的方法通常使用原始数据或线性降维技术，无法有效过滤噪声并区分移动设备和PC搜索平台之间的差异性预测信号。在模型层面，尽管引入了时间卷积网络（TCN）、时空图神经网络（ST-GNN）和注意力机制（Lea 等人，2017；Hadou 等人，2022）等先进架构，但其在特定城市（如三亚）的应用仍然有限。TCN 在分解多尺度季节性特征方面的能力有限；ST-GNN 需要高质量和大量的数据，同时可解释性不足；基于RNN的模型在应对突发需求冲击方面仍有改进空间。更为关键的是，很少有研究系统地将时间序列的形状和周期性特征分离出来，并将其与长短期依赖性建模结合，同时保持高度的可解释性。这一差距阻碍了针对特定旅游目的地实现准确、实时和可靠的预测，从而限制了模型在假期或突发事件期间需求激增场景中的应用。

因此，本研究旨在通过提出一种新的基于深度学习的预测框架来解决这些限制。我们引入了DTN模型，该模型将Dish-TS与TCN相结合，使用百度指数数据作为搜索趋势的核心指标。我们的目标是提高城市目的地游客数量预测的准确性、鲁棒性和可解释性，从而为旅游管理和战略规划提供更可靠的分析工具。

应当指出的是，本研究以中国具有代表性的海岸旅游城市三亚作为实证案例。选择三亚是由于其强烈的季节性旅游模式、百度搜索引擎的高使用率以及数据的可获得性。因此，所提出的DTN模型主要适用于具有类似特征的城市目的地，例如明显的周期性和可靠的百度指数数据。将其推广到其他地理环境（例如使用谷歌趋势的国际目的地）或旅游类型（例如遗产或生态旅游景点）需要进一步研究。

**2 相关工作**
2.1 旅游需求预测方法
旅游需求预测一直是学术界和工业界的重点关注领域。主要采用的方法包括时间序列分析、回归分析、计量经济建模和深度学习方法。

2.1.1 时间序列分析
这种方法通过建模历史数据的时间特性来预测未来趋势，通常使用自回归积分滑动平均（ARIMA）模型等技术（Box 等人，2015）。标准的ARIMA（p, d, q）模型在差分dd次后达到平稳状态，可以表示为：

Yt = Σ_i=1^φ_i Yt?i + Σ_j=1^θ_j∈t?j Yt

其中Yt表示时间t时刻的序列值，φ_i和θ_j是自回归和滑动平均系数，p和q分别是自回归和滑动平均的阶数，∈t是白噪声误差项。这种方法的一个主要限制是它严重依赖数据平稳性的假设，使其难以适应自然灾害或政策变化等突然中断情况，这些情况会破坏数据平稳性并降低预测性能。

2.1.2 回归分析
这种方法探讨了旅游需求与各种影响因素之间的线性关系（Crouch 等人，1992）。这些因素包括经济指标（例如可支配收入、GDP增长率）、社会因素（例如人口结构、教育水平）和环境因素（例如温度、空气质量）。预测过程是通过构建一般形式的回归方程来进行的：

Y = β_0 + β_1X_1 + β_2X_2 + ? + β_nX_n + ∈

其中Y表示旅游需求，X_i表示第i个影响因素，β_i是相应的回归系数，?是误差项。研究表明，将当地经济发展水平和交通便利性等因素纳入回归模型可以有效解释城市旅游需求的变化。这种方法的一个主要限制是它假设每个预测变量与响应变量之间存在线性关系。实际上，这些关系往往复杂且非线性。此外，变量选择很大程度上依赖于领域专业知识，可能导致关键因素的遗漏或冗余变量的包含，从而影响模型的准确性和解释能力。

2.1.3 计量经济模型
这些模型通过构建同时方程系统来整合经济、社会等因素以预测旅游需求（Ni 等人，2018）。然而，它们的规格制定和参数估计过程复杂，对数据质量要求较高。

2.1.4 灰色系统
灰色系统模型适用于数据有限和信息不完整的情况，常用于预测新兴目的地或小众旅游产品的需求（Liu 等人，2014）。它通过累积原始数据来构建新序列，以减弱随机噪声并揭示潜在模式。例如，对于历史数据稀缺的新开发旅游路线，灰色GM（1, 1）模型可以利用初始预订数据和营销信息等有限信息提供市场需求的初步预测，帮助旅游企业做出决策。然而，灰色模型在长期趋势预测方面的能力较弱，其准确性高度依赖于原始数据的分散性和平滑度。

2.1.5 深度学习方法
随着大数据和人工智能技术的迅速发展，深度学习已成为旅游需求预测的重要方法，因为它具有强大的非线性建模能力和自动化特征提取能力。与传统依赖严格假设的模型不同，深度学习模型可以从高维数据（如互联网搜索指数和多源时空数据）中自主学习复杂模式，显著提高预测准确性和适应性。最近的研究主要集中在以下模型类别的创新上：

(1) 时间卷积网络及其变体
TCN在旅游预测中引起了广泛关注，因为它们能够有效地捕捉长期依赖性，同时保持结构稳定性并避免循环神经网络中常见的梯度问题。例如，研究使用多目标遗传算法NSGA-III进行特征选择，构建了用于酒店需求预测的TCN模型，提高了预测性能并降低了复杂性（Park 等人，2024）。更先进的发展将TCN与空间建模结合，以解决多个目的地之间的相互作用。动态时空卷积网络（DSTCN）是这一方向的关键进展（Pan 等人，2025）。该模型利用图卷积网络（GCN）捕捉景点之间的动态空间依赖性，同时利用TCN提取每个节点的异构时间特征。通过有效整合动态时空信息，DSTCN在各种时间粒度上表现出优越的性能。

(2) 时空图神经网络
为了明确模拟旅游流的时空扩散和网络效应，研究人员引入了图神经网络。这些方法将旅游目的地视为图中的节点，空间关系（例如地理邻接性、游客流动）通过边表示。例如，最近的一项研究提出了一个框架，将时空生成对抗网络（GAN）与增强型Transformer相结合（Diao 等人，2025）。该框架使用图卷积生成器动态生成虚拟样本，缓解数据稀缺问题。它使用带有因果卷积的Transformer作为预测器，捕捉多尺度依赖性，实现了在小样本场景下的精确预测。

(3) 基于搜索引擎数据的降维和预测混合框架
虽然搜索引擎数据提供了丰富信息，但也存在高维度、噪声和冗余的挑战。为了解决这些问题，一项研究提出了一个两阶段深度学习混合框架（SAE-Bi-GRU），专门用于处理此类数据以进行旅游预测（Li 等人，2022）。在第一阶段，堆叠自编码器（SAE）对原始百度指数和谷歌趋势数据进行非线性降维。与主成分分析（PCA）等线性方法相比，SAE能更有效地从高维噪声数据中提取关键预测特征。在第二阶段，双向门控循环单元（Bi-GRU）网络对降维后的特征和历史游客流动序列进行建模。它的双向架构同时捕捉了正向和反向的时间依赖性。实证结果显示，SAE-Bi-GRU框架在预测准确性方面优于使用PCA的基准模型，以及传统的SARIMA和支持向量回归（SVR）模型。

(4) 结合多源数据和注意力机制的循环神经网络
深度学习的一个关键优势是其能够有效整合和加权来自不同来源的预测变量。研究表明，针对九寨沟景区提出了基于注意力的双向长短期记忆（ATT-BiLSTM）模型（Han 等人，2023）。该模型整合了历史游客流动数据、百度搜索指数、多维天气数据和假期信息。注意力机制根据输入特征的上下文重要性自动分配不同权重，实现更精确的关键信息提取。这项工作突出了自适应特征权重和多源数据融合在复杂预测任务中的价值。

(5) 基于数据增强和特征解耦的创新方法
为了解决数据稀疏性和特征表示纠缠的问题，最近的研究在数据和特征层面进行了创新。除了基于GAN的样本生成外，特征解耦学习也显示出前景。例如，一项研究在用户序列之间构建了时空图，以解耦群体向目的地移动模式中的空间和时间影响（Zeng 等人，2025）。这种方法学习了更纯净、更易解释的特征表示，从而提高了预测准确性。总之，当前的基于深度学习的旅游预测研究正从简单的时间序列建模发展到复杂的框架，这些框架整合了时空动态、多源数据融合和小样本学习技术。这些方法为解决旅游需求中固有的非线性、波动性和空间相关性提供了强大的工具。在这种背景下开发的DTN模型旨在更精确地分离时间序列的形状和时间特征，同时深度整合互联网搜索行为——一个关键的领先指标——以进一步提高预测准确性和鲁棒性。

2.2 互联网搜索数据在旅游需求预测中的应用
近年来，互联网数据的日益丰富使其在旅游需求预测中得到广泛应用。搜索引擎查询数据可以作为用户对旅游目的地兴趣和关注的代理，与实际旅游需求显示出显著的相关性（Song等人，2019年）。许多研究表明，通过将来自Google Trends和百度指数等平台的搜索数据纳入机器学习和深度学习模型中，可以有效提高预测准确性（Li等人，2017年；Li等人，2018年）。例如，分析与特定目的地相关的关键词搜索量的波动可以为旅游管理和商业策略提供有价值的洞察。然而，针对三亚的旅游需求预测的研究相对较少，特别是那些深入整合移动互联网搜索趋势的研究。

当深度学习算法应用于百度指数数据时，它们利用其在非线性建模和自动特征提取方面的优势，揭示了搜索数据中嵌入的游客行为和偏好的潜在模式，从而提高了预测准确性和鲁棒性。与传统的线性模型相比，深度学习方法可以捕捉到关键词共现和时间搜索序列等复杂特征，从而实现更智能和精确的需求预测。虽然上述研究展示了将搜索引擎数据与深度学习模型结合的价值，但其中许多研究（包括本研究）都依赖于单一目的地案例（例如三亚）进行实证验证。单一案例研究在早期方法学研究中很常见，因为它们允许对目的地特定的混杂因素进行深入分析和控制。然而，它们不可避免地引发了关于所提出模型在不同旅游环境下的鲁棒性和普遍性的疑问。在一个城市观察到的预测表现可能不能直接转移到具有不同季节模式、搜索行为文化或数据质量的目的地上。因此，来自单一目的地的研究结果应被视为概念验证的证据，需要多目的地基准测试来确立任何新提出的预测框架的更广泛适用性。

尽管上述混合框架已经推动了旅游需求预测的发展，但所提出的DTN模型在几个关键方面有所不同。首先，与SAE-Bi-GRU不同，后者分别使用堆叠自编码器进行非线性降维和循环预测器，DTN将Dish-TS归一化直接集成到TCN主干网络中，允许归一化参数与预测目标一起端到端学习。其次，虽然ATT-BiLSTM依赖于注意力机制来适应性地加权输入特征，DTN则通过Dish-TS的可学习统计特性和TCN的扩张卷积实现自适应特征加权，而不引入二次复杂性。第三，与DSTCN关注多个景点的时空依赖性不同，DTN专门设计用于带有外源性搜索数据的单变量游客流量预测，强调形状和周期成分的分离。第四，虽然TFT和N-BEATS（作为本研究中的基准）是强大的通用预测器，但它们要么需要静态协变量（TFT），要么无法自然处理外生变量（N-BEATS；Oreshkin等人，2020年）。相比之下，DTN可以无缝地结合多维度的百度指数特征作为外生输入，同时通过其单独的归一化和反归一化模块保持可解释性。因此，DTN占据了一个独特的地位：一个轻量级、可解释的、端到端的框架，它将自适应归一化与时域卷积相结合，用于带有搜索引擎数据的旅游预测。

3. 研究方法论

3.1 数据来源
本研究的搜索数据来自百度指数平台。作为世界最大的中文搜索引擎，百度涵盖了各种年龄、地区和行业的广泛人群。它的指数汇集了多维信息，包括关键词搜索量、市场活动和用户特征（Huang等人，2017年）。本研究关注的是中国著名的海滨旅游城市三亚。我们选择了一组与三亚旅游行业密切相关的关键词，包括“三亚旅游”、“三亚景点”、“三亚酒店”、“三亚美食”和“三亚旅游攻略”。使用这些关键词，我们收集了2012年1月至2019年10月期间PC和移动平台的每日搜索指数数据。

收集的数据集包含同一时期（2012年1月至2019年10月）的三亚每月游客到达记录，共计94个观测值。经过预处理并与百度指数数据对齐后，最终的时间序列包括每个候选关键词的94个数据点以及游客到达序列。数据集按70:15:15的比例划分为训练集、验证集和测试集，分别得到66个训练样本、14个验证样本和14个测试样本（详见第4.1节关于滑动窗口生成的部分）。游客到达序列的主要统计特性如下：平均每月游客数为1,377,946人，标准差为426,884人，最小值为637,600人（2012年6月），最大值为2,668,000人（2018年12月）。该序列表现出适度的正偏度（0.60）和轻微的扁平峰度分布（?0.03超额峰度），表明其分布非正态，假期期间偶尔会出现极端峰值。

3.2 旅游到达量的相关性分析
对三亚的每月游客到达量数据进行了相关性分析。得到的自相关函数（ACF）图如图1所示。ACF图揭示了几个关键特征：
(1) 显著的季节性模式：ACF在滞后12处显示出一个显著的峰值，超出了95%的置信区间，表明存在强烈的年度周期性，对应于反复出现的旅游高峰（例如冬季假期）。然而，滞后24的自相关性低于置信区间，并且低于滞后11的值。这种模式表明，虽然12个月的季节性周期是主导的，但24个月的滞后并没有保持相同的相关性水平，这意味着季节性效应可能会因年度特定因素（例如政策变化或重大事件）而减弱。因此，季节性模式最好描述为12个月的周期性，其次序相关性逐渐减弱。
(2) 长期持续性：随着滞后阶数的增加，自相关系数逐渐下降，表明历史值对未来值有持续的影响，这可能意味着存在趋势或长期依赖性。
(3) 短期相关性：滞后1和2的自相关系数较高且在统计上显著，表明连续月份的游客量之间存在直接相关性。

3.2.1 时间序列的平稳性处理
为了实现平稳性，首先对原始时间序列进行了了一阶差分和季节性差分。结果显示在图2中。差分序列的ACF图及其相应的统计测试结果（表1）表明，大多数自相关系数落在95%的置信区间内（蓝色阴影区域）。这表明差分操作有效地去除了非平稳趋势。

3.3 百度指数数据处理和关键词选择
在进行了数据清洗程序（包括重复检测和异常值校正）之后，百度指数数据与旅游需求序列在时间上进行了对齐。百度指数数据按日记录，而游客到达数据按月度汇总。为了同步这些数据集，通过计算每个月的平均值将每日搜索指数重采样为月度区间。百度指数围绕搜索查询组织，产生了一组与“三亚旅游”相关的大量关键词。为了识别最相关的预测因子，实施了一个关键词过滤过程。最初选择了14个代表性关键词（表2），并检索并预处理了它们对应的百度指数时间序列。这些关键词根据以下标准进行了评估。

3.3.1 时间滞后相关性分析
对于每个关键词，计算了其与游客到达量的时间滞后交叉相关性：Corr(Yt,Xt?k)，其中kk表示时间滞后（以月为单位）。正的滞后k=+1表示使用前一个月的搜索指数与当前月份的游客量进行相关性分析。图3显示了14个关键词在最多12个月滞后下的时间滞后交叉相关系数，捕捉了季节性和年度模式。结果表明，不同的搜索行为在不同的时间间隔内引导游客到达。例如，关键词c3在1个月的滞后下显示出最强的相关性，而关键词c6在12个月的滞后下显示出峰值相关性。

3.3.2 格兰杰因果关系测试
格兰杰因果关系测试用于确定关键词的百度指数是否包含未来游客到达的预测信息。p<0.05意味着拒绝零假设，表明该关键词导致游客到达。14个关键词的测试结果如图4所示，其中纵轴显示了对数变换后的p值，虚线表示5%的显著性水平。关键词按c1到c14的顺序排列。绿色标记（例如c2、c3）表示零假设被拒绝的关键词，表明具有统计显著的格兰杰因果关系。红色标记（例如c1、c9）表示没有提供显著预测能力的关键词。

3.4 基于深度学习的游客到达量预测模型
使用百度指数预测游客到达量本质上是一个时间序列预测任务。在深度学习领域，处理序列数据的经典方法包括循环神经网络（RNNs）和长短期记忆（LSTM）网络（Law等人，2019年；Li和Cao，2018年）。虽然RNNs可以建模短期时间模式，但在通过长序列反向传播时会出现梯度消失或爆炸的问题（例如多年趋势），这使得捕捉长期依赖性变得困难。LSTM架构通过其门控机制（输入门、遗忘门和输出门）和单元状态解决了这个问题，有助于保留长期记忆（例如持续多年的增长趋势）并减轻梯度消失。然而，LSTM 对数据量要求较高，在小规模数据集中可能会过度拟合噪声。为了解决这些限制，本研究提出了一个新颖的预测框架，将解耦形状和时间序列归一化（Dish-TS）与时间卷积网络（TCN）相结合，如图 5 所示。图 5 显示了 DTN 结构的示意图。

3.4.1 解耦形状和时间序列归一化（Dish-TS）
Dish-TS 是一种为时间序列预测设计的高级归一化技术。其核心创新在于将时间序列中的形状（非线性波动）和时间（多尺度周期性）特征解耦（Fan 等，2023）。这种解耦机制特别适用于旅游数据，这类数据通常表现出复杂的模式，如节假日激增（例如黄金周）或对意外事件的响应。传统的归一化方法可能会扭曲这些耦合特征，而 Dish-TS 可以分别保留它们，从而实现更稳定和准确的预测。
Dish-TS 具有轻量级架构，包含两个主要模块：可学习归一化（Dish-N）和可学习反归一化（Dish-D）。如图 6 所示，这些模块可以无缝集成到任何预测模型的输入和输出阶段。

图 6 Dish-TS 在模型中的应用。
Dish-N 模块：该模块通过去除分布偏差，将非平稳时间序列转换为相对平稳的序列。对于每个时间步长 tt，在长度为 LL 的局部窗口内，它通过一个小神经网络计算自适应统计量，而不是使用固定的全局统计量。给定原始输入值 xraw(t)，归一化后的值为：
xnorm(t) = (xraw(t) - μ(t)) / σ(t)
其中 μ(t) 和 σ(t) 是从上下文窗口动态导出的可学习均值和标准差参数，使归一化能够适应局部数据模式。然后将归一化后的序列 xnorm=[xnorm(1),…,xnorm(L)] 输入到 TCN 主干网络。

Dish-D 模块：该模块执行相反的操作，將对归一化数据进行的预测还原到原始的非平稳尺度。使用与 Dish-N 对称的结构，它学习相应的反归一化参数。在 TCN 产生归一化预测 ynorm(t) 之后，Dish-D 模块计算最终预测为：
?y(t) = ynorm(t) * σ′(t) + μ′(t)
其中 μ′(t) 和 σ′(t) 是可学习参数。这些参数与 Dish-N 中的参数相关，但不共享权重，为预测任务提供了额外的灵活性。

3.4.2 时间卷积网络（TCN）
TCN 是一种专门用于序列建模的卷积架构（Bai 等，2018）。在我们的框架中，TCN 作为核心预测模型，对 Dish-N 产生的归一化序列 xnorm 进行操作，并输出归一化预测 ynorm(t)。
它的核心特征解决了循环模型在处理长序列时的局限性，包括因果卷积和扩张卷积。
(1) 因果卷积
TCN 使用因果卷积来保持数据的时间顺序，确保时间 tt 的预测仅依赖于 tt 及之前的输入，防止未来信息的泄漏。这是通过在每个卷积层的输入序列的左侧（过去）应用零填充来实现的。对于输入序列 xnorm，时间 tt 处的因果卷积操作用核函数 ff 和大小 kk 定义为：
ynorm(t) = ∑i=0^(k?1) f(i) * xnorm(t?i)
其中只使用过去和当前的值。这种结构特别适用于旅游领域的实际预测任务，如门票销售预测，决策必须基于历史和当前信息。
(2) 扩张卷积
为了在不显著增加参数数量或网络深度的情况下有效地捕获长距离依赖关系，TCN 使用了扩张卷积，如图 7 所示。扩张卷积在核元素之间引入了一个固定的步长（扩张因子 dd），从而指数级扩展了感受野。该操作定义为：
ynorm(t) = ∑i=0^(k?1) f(i) * x(t?d?i)
其中 dd 是扩张因子。d=1 对应于标准卷积，而 d>1 会在核的感受点之间引入间隙。这种架构使模型能够结合远期观测的信息，同时保持参数集的紧凑性，有效缓解了序列建模中的短期偏差问题。TCN 的最终输出是归一化预测序列 ynorm=[xnorm(1),…,xnorm(L)]，随后将其传递给 Dish-D 模块进行反归一化。

图 7 扩张卷积框架 [Bai 等 (2018); 图 1A]

3.4.3 在 DTN 架构中整合 Dish-TS 和 TCN
如图 5 所示，提出的 DTN 框架将 Dish-TS 和 TCN 整合在一个顺序流程中。该架构包括三个主要阶段：输入归一化（Dish-N）、通过堆叠残差块提取时间特征（TCN 主干网络）和输出反归一化（Dish-D）。
输入阶段 – Dish-N：原始输入张量 X∈?^L×d（其中 LL 是窗口长度，dd 是特征数量）首先通过可学习归一化模块 Dish-N。对于每个时间步长 tt，Dish-N 从局部上下文窗口计算自适应均值 μ(t) 和标准差 σ(t)，并将输入归一化为 xnorm(t) = (xraw(t) - μ(t)) / σ(t)。输出 Xnorm 是一个稳定的、类似平稳的序列，保留了原始数据的解耦形状和时间特征。
中间阶段 – TCN 主干网络：归一化后的张量 Xnorm 然后被输入到 TCN 主干网络，该网络包含三个残差块（数量通过实验确定；见第 4.4.1 节）。如图 5 所示，每个残差块包含：
(1) 具有核大小 kk 和扩张因子 dd 的因果卷积层，
(2) 一个归一化层（例如，批量归一化或层归一化），
(3) 一个 leaky ReLU 激活函数。
因果卷积和扩张卷积确保网络在捕获长距离依赖关系的同时尊重时间顺序（见第 3.4.2 节）。堆叠的残差块逐步将 Xnorm 转换为隐藏表示，并最终产生归一化预测序列 Ynorm∈?^L×1。重要的是，TCN 仅对归一化数据进行处理，这减轻了旅游时间序列中常见的非平稳性和分布偏移的不利影响。
输出阶段 – Dish-D：归一化后的预测 Ynorm 被传递到可学习反归一化模块 Dish-D。使用与 Dish-N 对称的结构，Dish-D 应用其自己的自适应参数 μ′(t) 和 σ′(t) 进行反变换：
?y(t) = ynorm(t) * σ′(t) + μ′(t)
输出 ?y 是原始旅行者到达规模的最终预测。Dish-N 和 Dish-D 之间没有权重共享，允许每个模块独立适应输入和输出分布的统计特性。

总结而言，图 5 所示的顺序整合使得各个环节的关注点清晰分离：Dish-N 为 TCN 稳定输入，TCN 在良好的表示上建模时间依赖关系，Dish-D 恢复原始尺度。这种设计通过第 4.4.1 节中的消融研究验证了预测准确性和鲁棒性的提升。

4. 实验与分析
4.1 数据集划分和训练序列生成
为了确保有效的模型训练、准确的评估和强大的泛化能力，预处理后的数据集根据深度学习的标准实践和三亚旅游数据的特性进行了划分。完整的数据集包含从 2012 年 1 月到 2019 年 10 月的 94 个月观测数据。采用了按时间顺序（非随机）划分的方法来保持时间顺序并避免预测偏差。具体来说，数据集被分为训练集、验证集和测试集，比例为 70:15:15：前 66 个月（2012 年 1 月–2017 年 6 月）用于训练，接下来的 14 个月（2017 年 7 月–2018 年 8 月）用于验证，最后的 14 个月（2018 年 9 月–2019 年 10 月）用于测试。这种划分确保验证集和测试集只包含时间上跟随训练集的数据，模拟了实际的预测场景。
训练集使用滑动窗口方法生成等长的子序列对（输入序列，目标序列）。如图 8 所示，每个目标序列是其对应输入序列的向前移动版本。具体来说，对于长度为 LL 的输入序列和预测范围 hh，目标序列从输入序列的最后 L?h+1 个元素开始，然后是接下来的 hh 个未来值。这种结构意味着模型的最大预测范围是 hh。滑动窗口生成多个重叠的序列对，丰富了训练数据。基于对验证集的迭代实验，最佳窗口长度 LL 被设定为 12 个月（1 年）。

图 8 应用于时间序列网络训练的序列结构。
原始数据的维度为 (m, d)，其中 m=94 是月度观测数量，dd 表示多维特征（例如，选定关键词的百度搜索指数）。应用滑动窗口序列化后，训练数据的维度为 (s, L, d)，其中 ss 是生成的样本数量，L=12 是窗口大小。

4.2 模型训练
如图 5 所示，DTN 模型使用基于 TCN 的架构构建。因果卷积层使用核大小为 3 的一维卷积。在残差块中，核心大小分别为 16 和 8，以实现从输入张量中更丰富的层次化特征学习。残差块的数量通过实验确定，以优化训练效率和性能。
选择 Huber 损失函数进行模型训练，定义如下：
Lσ(a) = {0.5 * a^2 如果 ∣a∣ ≤ δ，否则 δ * (∣a∣ ? 0.5)
其中 a=yi??yi 是预测误差，δ 是阈值超参数。Huber 损失结合了均方误差（MSE）对小误差的优势（提供平滑的梯度）和平均绝对误差（MAE）对大误差的优势（减少对异常值的敏感性）。经过网格搜索后，δ 被设定为 3.0。
在训练过程中采用了提前停止策略。如果验证损失连续 20 个周期没有下降，则停止训练过程，从而提高训练效率并防止过拟合。

4.3 评估指标
为了全面评估预测准确性，我们使用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）作为核心指标。
RMSE 计算为预测值和真实值之间平均平方差的平方根：
RMSE = √(1/n) ∑i=1^(n) (yi??yi)^2
其中 n 是样本数量，yi 是真实值，?yi 是预测值。RMSE 强调较大误差；在旅游到达预测的背景下，较低的 RMSE 表示更高的整体准确性。
MAE 计算平均绝对偏差：
MAE = 1/n ∑i=1^(n) |yi??yi|
MAE 测量预测误差的平均幅度，对异常值的敏感性低于 RMSE，提供了模型性能的稳定评估。
决定系数 R2 量化了可以从独立变量预测的因变量方差的比例：
R2 = 1 ? ∑i=1^(n) (yi??yi)^2 / ∑i=1^(n) (yi?ˉy)^2
其中 ˉy 是真实值的平均值。R2 接近 1 表示模型有效捕捉了数据中的潜在模式，如季节性趋势和节假日需求激增。

4.4 模型预测性能分析
4.4.1 DTN 模型消融研究
为了评估 Dish-TS 和 TCN 组件在 DTN 架构中的贡献，进行了消融研究。比较了两种降级架构：一种是用多层感知器（MLP）替换 TCN 同时保留 Dish-TS，另一种是用标准归一化层替换 Dish-TS 同时保留 TCN。如表 3 所总结的，仅使用 Dish-TS 和 MLP 时性能下降，因为 MLP 无法捕获时间依赖关系。仅使用 TCN 和标准归一化时性能显著提高，RMSE 和 MAE 减少了超过 40%，R2 提高了 22%。完整的 DTN 模型结合了这两个组件，进一步降低了约 20% 的 RMSE 和 MAE，并提高了 2% 的 R2。这些结果表明 Dish-TS 有效增强了 TCN 从旅游数据中学习复杂时间模式的能力。

表 3 模型
| RMSE | MAE | R2 |
|-------|------|------|
| 仅 Dish-TS | 0.1179 | 0.1023 |
| 仅 TCN | 0.0678 | 0.0541 |
| DTN | 0.0503 | 0.0439 |

关于模型可解释性，内部门控机制的可视化显示，DTN 的动态特征融合成功识别并为多尺度时间特征分配了自适应权重。例如，在主要节假日前几天，DTN 自动将历史假日特定数据的权重增加到 0.72，而 LSTM 保持接近 0.55 的静态权重。这种自适应加权直接有助于 DTN 在高峰需求期间的出色预测。此外，SHAP 值分析证实 DTN 更精确地量化了外部因素（如天气和公共假日）对旅游流量波动的影响。
模型的预测准确性也受到架构超参数的影响，包括残差块的数量和扩张因子。不同配置下的性能详细列在表 4 中。最佳配置使用三个残差块和扩张因子为三。尽管这种设置导致的决定系数（R2=0.82）略低于其他配置（例如 block=2, d=2 时的 R2=0.87），但它产生了所有候选者中最小的预测误差（RMSE=0.0503，MAE=0.0439）。在旅游需求预测的背景下，最小化绝对预测误差是主要目标，因此 RMSE 和 MAE 是模型选择的决定性标准。偏离这种最优配置会导致过拟合或欠拟合，最终降低预测的准确性。表4展示了模型结构参数及对应的均方根误差（RMSE）和平均绝对误差（MAE）。

在不同结构参数下，DTN对游客到访量的预测效果如下：

4.4.2 与基线方法的比较分析
为了全面评估DTN的有效性，我们将其与七种现有的基线方法进行了对比：SARIMA、RNN、LSTM、SAE-Bi-GRU、ATT-BiLSTM、Temporal Fusion Transformer（TFT）和N-BEATS。SARIMA的参数通过网格搜索进行优化。RNN和LSTM模型采用了标准的五层架构。SAE-Bi-GRU和ATT-BiLSTM模型按照其原始发表的设计实现，仅对输入层进行了调整以适应我们的数据集。TFT和N-BEATS使用Darts库实现，并在验证集上调整了超参数：对于TFT，我们设置了隐藏层大小为128、注意力头数为4、丢弃率为0.1；对于N-BEATS，我们设置了堆栈类型为['generic', 'trend', 'seasonality']、每个堆栈的块数为3，以及迭代次数为100，并采用了提前停止策略。

所有方法的性能指标列在表5中。正如预期的那样，由于SARIMA的线性假设，其表现较差。RNN虽然比SARIMA有所改进，但受到其短期记忆能力的限制。ATT-BiLSTM虽然获得了较高的R2值，但预测结果的方差较大，导致RMSE和MAE也较高。SAE-Bi-GRU的性能指标相对更加平衡，但仍优于DTN。TFT结合了注意力机制和静态协变量，取得了有竞争力的性能（RMSE=0.0522，MAE=0.0458，R2=0.81），但仍低于DTN。N-BEATS是一个专为季节性时间序列设计的纯神经网络扩展模型，其性能指标为RMSE=0.0537，MAE=0.0471，R2=0.80，表明虽然它能很好地捕捉季节性变化，但相比DTN的综合架构，从百度指数等外部特征中获得的收益较少。相比之下，DTN模型通过有效整合长距离时间建模（TCN）和自适应特征归一化（Dish-TS），在所有指标上均取得了最高且最平衡的性能。

表5列出了所有模型的性能指标（平均值±标准差）：

| 模型 | RMSE | MAE | R2 |
|---------------|---------|--------|--------|
| SARIMA | 0.0901±0.002 | 0.0877±0.001 | 0.68±0.01 |
| RNN | 0.0748±0.003 | 0.0630±0.002 | 0.71±0.02 |
| LSTM | 0.0625±0.002 | 0.0561±0.002 | 0.77±0.01 |
| SAE-Bi-GRU | 0.0512±0.0018 | 0.0569±0.002 | 0.80±0.01 |
| ATT-BiLSTM | 0.0591±0.0025 | 0.0553±0.002 | 0.83±0.01 |
| TFT | 0.0508±0.0019 | 0.0444±0.0017 | 0.82±0.01 |
| N-BEATS | 0.0511±0.0020 | 0.0453±0.0018 | 0.81±0.01 |
| DTN | 0.0503±0.0015 | 0.0439±0.0014 | 0.82±0.01 |

此外，还对测试数据进行了时间序列分析，将数据分为工作日、周末和节假日三种类型。SARIMA模型在工作日和周末保持了稳定的但中等的表现，但在节假日期间的表现显著下降。LSTM和SAE-Bi-GRU在节假日期间的准确率有所提高，表明它们对季节性模式有一定适应能力。DTN和ATT-BiLSTM在所有时间段内都能保持较高的预测精度，显示出对常规波动和异常事件驱动的需求激增的强大适应能力。

4.5 统计可靠性和可重复性
由于深度学习训练的固有随机性（例如随机权重初始化、小批量随机化以及GPU的非确定性），所有实验都使用不同的随机种子重复进行了10次独立运行。每次运行都使用相同的训练/验证/测试划分方式以确保可比较性。报告的指标（RMSE、MAE、R2）是10次运行结果的平均值±标准差。此外，还提供了每个指标的95%置信区间以量化预测的不确定性。

表5展示了所有比较模型的平均值及标准差（括号内）。对于提出的DTN模型，95%置信区间为：RMSE [0.0478, 0.0528]，MAE [0.0415, 0.0463]，R2 [0.80, 0.84]。这些较窄的区间表明DTN在不同随机初始化下的性能是稳定的。

5 结论
实验结果表明，将互联网搜索数据与深度学习模型结合使用显著提高了城市级游客到访量预测的准确性，优于传统的预测方法。所提出的DTN模型在捕捉未来游客流量趋势方面优于传统的深度学习方法（如RNN和LSTM）。这一能力为城市旅游管理提供了强大的分析工具，实现了数据驱动的资源分配和战略规划。

尽管取得了这些有希望的结果，但仍需注意一些局限性。最重要的是，实证评估仅基于来自中国三亚的单一数据集。这限制了我们发现结果的普遍性，因为其他旅游目的地的规模、季节性模式、搜索引擎偏好（例如Google与百度）或数据可用性可能有所不同。DTN模型在多样化的条件下的稳健性——例如季节性不明显的目的地、不同的文化背景或互联网普及程度不同的地区——仍有待检验。未来的工作应将该框架应用于不同地区和时期的多个目的地，并研究迁移学习或领域适应技术以增强跨目的地的泛化能力。解决这些局限性对于将其确立为广泛适用的旅游需求预测解决方案至关重要。

总之，所提出的DTN模型的创新之处在于对旅游需求预测领域的三个具体贡献：（1）方法论上，它首次将Dish-TS这种解耦归一化技术应用于旅游时间序列，证明了在非平稳条件下（例如节假日激增）分离形状和时间特征可以提高预测的稳定性。（2）在架构上，它将Dish-TS与TCN结合在一个顺序管道中，其中TCN对稳定化的表示进行处理，而反归一化模块恢复了原始比例，这种设计与现有的全局归一化或省略反归一化的混合模型不同。（3）从实证角度来看，消融研究（第4.4.1节）量化了每个组件的独立贡献，显示仅使用Dish-TS而无法捕捉时间依赖性（RMSE=0.1179），而仅使用TCN并进行标准归一化也能取得中等性能（RMSE=0.0678），二者结合则获得了最佳结果（RMSE=0.0503）。这种清晰的组件级验证使我们的工作与以往将混合模型视为黑箱的研究区分开来。总体而言，这些贡献推动了数据驱动旅游预测领域的进步，并为将搜索引擎数据与现代深度学习架构结合提供了可复制的框架。