景点游客规模预测有助于政府优化人力资源配置,保障游客人身安全。现有相关研究多针对单个景点且往往只关注著名景点,缺乏包含非著名景点以及中小型景点的多景点预测模型研究。本研究利用百度搜索指数建立了基于LightGBM方法的时空游客规模预测框架,具体研究内容与成果如下:（1）利用2018年与2021年游客规模数据集上分析百度指数与上海游客规模的时间滞后性。结果表明:百度指数与日游客规模之间具有1-14天的滞后期（1-14天范围内,百度指数作为旅游人数变动的原因通过了格兰杰检验,即搜索在前,旅游实际行为滞后1-14日）,且在3天的滞后期时取得了最佳的p值;百度指数与周游客规模之间具有2周的滞后期。（2）基于LightGBM算法建立2018、2021年日游客规模预测模型以及2021年周游客规模预测模型,三种模型的R~2分别为92.75%、77.33%、82.92%,在此基础上通过构建景点空间特征将景点所处空间位置的影响引入预测模型,实现对上述模型的修正。加入景点空间特征后三种模型的R~2分别为93.40%、81.28%、84.52%。结果表明,在不同模型中引入空间特征均能提高模型精度。由特征重要性排序发现,空间特征排位靠前,表明其在景点游客规模预测中的重要作用。（3）通过设计不同实验本研究对模型在预测精度、适用性、稳定性以及泛化性四个方面进行分析,结论如下:空间LightGBM模型相对于ARIMA算法和单纯的机器学习模型能够获得更好的精度;对于游客构成较为复杂的4A景点,模型的预测误差高于外地游客较多的著名景点,也高于以本地游客为主的知名度较低的景点;疫情对于模型精度的影响主要体现在当发生全国大范围疫情或上海本土疫情时模型预测精度有所下降,但模型R~2仍能保持在70%以上;基于2018年7-9月数据集进行训练所得的日游客规模预测模型应用于2021年的数据集中时模型精度有所下降,但应用在2021年7-9月的数据中时R~2仍可达到78.89%。