旅游业作为二十一世纪以来最具发展潜力、发展速度最快的产业之一,对于拉动经济增长具有重大作用,已然成为经济增长的新兴部门。旅游需求预测作为旅游业发展的重要研究问题之一,原因在于首先旅游业可以拉动餐饮、交通、娱乐和零售等众多行业的发展,政府部分需要对基础设施和旅游推广活动进行大量投资,显而易见,准确的旅游需求预测是决策的前提条件;其次,科学的旅游需求预测有助于完善旅游安全预警体系和优化旅游资源配置体系。但是,旅游业本身具有脆弱性,即容易受到自然环境、经济环境、自然灾害和突发性事件的影响,这致使旅游数据具有复杂性和不稳定的特性,并导致了旅游需求预测变得困难。因此亟待提出一种能够面对复杂旅游数据进行建模并有效提升预测精度的模型。本文基于国内外学者的研究,从旅游需求预测的角度出发,以中国香港为个案,并选取了2001年至2019年美国、日本、韩国和菲律宾四个国家的月度到港数据作为实证数据,为方便对比单一模型和组合模型的预测效果,本文以2019年7月至12月作为样本外测试集。首先对四个国家的月到港数据构建单一模型,并作为基准模型,其中包括传统ARIMA模型以及Elman神经网络模型,在此之后,基于具有自适应噪声的完整集成经验模态分解（CEEMDAN）,本文对原始时间序列进行了分解,得到相应的本征模函数和趋势项函数,计算平均周期、相关系数和方差比分析数据特征;以平均周期18个月为分界点,重构出高频信号和低频信号。最后,将高频信号采用Elman神经网络进行训练及预测,将低频信号构建ARIMA模型进行预测,并将两者的预测结果进行集成,形成最终的预测结果。通过研究,具体得到如下结论,第一,ARIMA模型短期预测效果较好,由于单一的ARIMA模型对波动特征显著的非线性序列无法进行信息的有效捕捉,对四个案例的实证研究也发现,多步长预测结果不尽人意,因此,本文认为单个ARIMA模型的预测精度能够得到进一步提高。第二,通过CEEMDAN方法对数据进行分解,能够提取出原始信号中的波动和趋势项信息,通过对希尔伯特谱分析可以从中获取原始数据中的潜在发展趋势与规律。第三,通过“分而治之”的思想提出的“先分解后集成”的组合预测方法,对于旅游需求的预测能力具有显著地提升。在实证部分的四个案例中,也证实了这种组合模型对于多步长预测都有显著的提升。第四,本文提出的组合模型具有普适性。由于现实生活中,数据都具有非平稳、波动明显、非线性特征,而CEEMDAN分解技术能够实现信号的重构,实现波动特征和趋势特征的完全分离,可以应用到社会其他各个领域。