随着旅游业的不断发展,旅游需求的精准预测是旅游业快速、稳健发展的重要前提和保证。由于受到旅游周期性与容量的限制,旅游资源的供需会出现失衡的现象。对旅游资源进行优化配置需要建立合理的预测模型,为旅游资源的分配提供数据支持,因此,精准预测旅游需求对旅游业发展具有重要意义。本文主要针对旅游需求中的游客到达人数问题进行研究,具体工作可以分为以下几个部分:针对回声状态网络中储备池随机生成,神经元之间存在很强的耦合性,预测精度受到影响的问题,设计了基于小世界特性的回声状态网络模型。此外,针对回声状态网络中神经元sigmoid函数容易出现zigzag现象,也容易产生大量冗余信息的特性,选择tanh函数和小波函数同时作为回声状态网络中的神经元激励函数,增加了神经元的变换形式,改善了回声状态网络的状态空间。针对旅游预测问题中的时序性和非线性特点,传统的回声状态网络储备池复杂的内部结构导致输出维度较高,数据之间存在共线性,甚至出现过拟合的问题,设计了融合自编码器和回声状态网络的预测模型,通过自编码器对储备池的输出进行降维处理,从而提升预测精度。通过仿真验证了该模型的预测性能优于传统的回声状态网络。针对小世界特性的回声状态网络的内部结构会变的更复杂,输出维度更高,基于自编码的回声状态网络又可以有效降低输出维度,提高预测精度,基于此,设计了基于自编码器的小世界回声状态网络预测模型。论文将该模型运用于游客到达人数预测问题中,以新加坡2000-2018年游客到达人数作为数据集进行仿真实验,验证得到该模型比传统的回声状态网络等模型具有更高的预测精度。同时,使用该模型与自回归模型、支持向量回归模型、神经网络模型对十个国家到土耳其的游客到达人数进行预测比较,结果证明了该模型的优越性。论文提出的基于回声状态网络改进的预测模型,为旅游业的发展提供了更加可靠的预测模型,有助于旅游行业制定合理的方案和措施,对游客到达人数进行精准预测的同时,可以优化旅游资源的配置。