近年来,旅游业发展迅速,是我国国民经济的重要组成部分。产业发展的同时,旅游地区旅客滞留、景区爆满、淡旺季资源配置不合理等问题也不断涌现出来。为了相关部门合理配置旅游资源,促进旅游业健康平稳可持续地发展,对旅游客流量进行有效的短期预测变得尤为重要。但传统的旅游客流量预测通常是采用历史数据建立时间序列模型,其滞后性较强,且完全依赖历史数据。互联网发展时代,网络搜索数据具有发布及时,更新速度快等优点,使用其进行预测时效性更强。本文以三亚市和桂林市作为研究对象,聚焦于百度搜索指数平台,建立了基于网络搜索数据的旅游客流量预测模型。用当月的搜索指数数据对下个月的旅游客流量进行预测。首先,本文通过百度相关推荐功能经过多次迭代得到了关键词。使用爬虫方法爬取了关键词的每日百度搜索指数数据,按月累加得到每个关键词的月搜索量。许多关键词与旅游客流量相关性较弱,不具备较好的预测能力,本文基于动态时间规整方法筛选出了核心关键词。将同一属性的核心关键词进行加总合成为一个搜索指标,合成的搜索指标即为用来预测的变量。相较于以往研究中使用的皮尔森系数方法,动态时间规整方法能够更好地兼容异常点,对时间轴上的变形进行有效处理,不易造成关键词的漏选。鉴于网络搜索数据中有噪声的存在,本文引入了经验模态分解方法进行降噪处理。与合成为一个指标进行统一降噪处理不同,本文在得到不同属性的搜索指标基础上,使用经验模态分解方法对每个搜索指标数据分别进行了分解,一定程度上避免了不同搜索指标之间噪声的干扰,提升了预测的精度。其次,考虑到网络搜索数据的非线性特点,本文使用支持向量回归方法对训练集样本进行训练,建立旅游客流量预测模型。支持向量回归方法中的不敏感损失函数、惩罚程度和核函数的宽度这三个主要参数使用网格搜索方法进行了寻优,进一步将测试集用得到的模型进行求解,得到预测值。并引入平均绝对误差,平均绝对百分比误差和均方误差这三个值来评价模型的预测效果。此外,为了使分析结果更具说服力,本文对每个城市都进行了三次训练集和测试集的划分,得到了三次实验结果,并对每次实验结果进行了分析。同时,为了验证降噪处理的支持向量回归模型的科学性和有效性,本文将该模型与线性回归模型、未降噪的支持向量回归模型以及BP神经网络模型进行了对比,并绘制了模型预测结果的对比曲线。对比结果显示,降噪处理后的支持向量模型最优,预测精度最好。本文研究结果表明,搜索行为是游客旅游决策制定的意愿表征,网络搜索行为对经济产业,尤其是旅游产业具有一定的预测作用,这为旅游客流量预测研究提供了新的视角。使用网络搜索数据可以对旅游客流量进行预测,对网络搜索数据进行降噪处理可以提升预测的精度。支持向量回归模型在处理非线性小样本预测问题具有一定的优势。