伴随着我国旅游业步入高速发展阶段,旅游客流分布不均衡、旅游交通需求与旅游交通基础设施不匹配等问题逐渐凸显。为保障旅游业的稳步发展,及时准确地掌握旅游交通需求,合理地统筹规划旅游交通是至关重要的。随着共享出行的流行,覆盖范围广、信息丰富的网约车数据打破调查数据的局限性,能够更加全面反映旅游交通特征。在此背景下,本文基于网约车数据探究景区客流识别方法,利用识别出的旅游客流,开展城市景区网约车客流需求及分布预测研究等工作,主要研究内容和结论包含以下三个方面:(1)基于网约车OD行程数据,识别旅游景区客流。首先借鉴旅游客流定义,阐述网约车旅游客流内涵,按照景区所处环境的POI密度将景区划分为H型、M型和L型三类,分析景区周边客流分布特征。在此基础上,通过景区定位点和出入口构建景区几何面,将每一次出行与景区进行匹配,从网约车行程数据库中提取旅游客流数据。最后验证并分析了景区客流分布特征,结果发现:整体上市区内景区客流量高于郊区景区的客流量;在一周内,周末日均客流量高于工作日日均客流量;在一天内,多数景区客流均值时变图呈现双峰值。(2)基于LSTM模型原理,构建小时粒度的景区网约车客流预测模型,依据时间周期性和动态连续性等特点构建特征集,应用随机森林算法对特征变量重要度排序,将变量重要度变化趋势与模型性能变化趋势结合,确定最优特征子集,作为模型的输入特征集。以颐和园为例的应用中,模型的R~2达到92.8%,预测结果能够反映客流变化趋势,也能够反映出节假日的客流增长。在客流峰值时间段,客流量大且波动性高,需要重点关注,加强管理。(3)基于景区客流来源的空间分布特征,应用Kmeans++聚类算法划分旅游交通小区。之后,从景区吸引力、小区出游力和交通阻抗三个方面分析旅游出行分布影响因素,建立基于改进重力模型的旅游出行分布模型。分别采用逐步回归法和岭回归法进行参数标定,逐步回归法能够保证模型的估测能力,岭回归用于变量的解释,分析各个因素对旅游出行分布的影响力。在对北京4A和5A级景区的应用中发现,旅游客流主要分布在高客流量景区与距离景区近的交通小区之间,景区吸引力是旅游客流的主要驱动因素,距离是出行的主要阻碍因素,研究结果对城市景区运营与交通管理具有一定的决策参考性。