随着经济飞速地发展,景区的游客数量也在不断增长,为避免旅游景区因客流超载现象导致安全事故,以及制定合理科学的景区发展规划,开展旅游景区客流量预测工作是十分必要的。景区旅游客流量的大小与季节周期、节假日、天气、气象等外部因子紧密相连,其所呈现的流量变化具有突发性、周期性等特性。传统的时间序列预测模型只能处理线性数据,不能处理非线性数据,同时对数据很敏感,不良数据的出现极大影响实验结果;在景区流量预测中,当前使用的数据填充方式大多是结合上下值求平均值方法,效果并不是很理想;此外,灰色预测模型虽适合多源数据的预测,但其长期预测较不准确,且预测精度随数据量增加而明显降低;神经网络模型虽先进,但单一模型无法高效率完成多维度任务;目前常见的景区客流预测系统没有满足不同用户的实际需求。针对上述不足,本文做了以下创新工作:在静态历史数据基础上,使用了风速、湿度、温度等影响景区流量的特有因素,并且加入了疫情这一突发影响因素,以此保证本文景区客流预测工作的独特性,并且以真实数据来保证结果的真实可靠;同时考虑到景区特有的时间变化规律,提出了一种基于取两周期均方值的数据集补缺算法,相较于当前普遍运用在景区流量预测中的前后取平均值的补缺算法来说,提高了预测精度;另外在模型构建上,应用了最新的混合模型,并且在网络架构上加以改进,建立了Tr-Bi LSTM-CNN和A-Tr-Bi LSTM-CNN两种混合网络预测模型,使其具备优异的能力并且更适合处理景区特征;最后将训练好的模型整合在了基于小程序端的客流预测系统中,用于各个景区预测和及时提醒。实验表明,本文研究具有很强的独特性,本文模型与其他经典模型相比具有更好的泛化能力、优越性、有效性和准确率,同时,客流预测系统满足了不同用户的各种需要,提供了优质可靠的服务。