1.一种基于引导注意机制的旅游需求时间序列预测方法，其特征在于，该方法具体包括以下步骤：S1：组合来自多个国家和地区的旅游需求时间序列；

S2：定义一个偏序关系来比较不同时间序列之间的稳定性，并定义不同维度的齐次多项式对时间序列进行组合，然后利用引导注意机制对旅游需求时间序列的稳定性进行调节；

S3：构建全连接长短记忆神经网络，并引导注意机制允许全连接长短记忆神经网络根据需要对不同的训练数据进行参数训练；

S4：采用训练后的全连接长短记忆神经网络作为预测模型对旅游需求时间序列进行预测，根据步骤S2的偏序关系对旅游需求时间序列进行划分；

S5：对预测模型求解，反算出各个国家或地区的旅游需求；

步骤S1中，假设有n个国家或地区的游客来到一个旅游目的地，旅游需求表示为：i＝1,2,…,n,…,N表示不同的国家或地区，t表示时间指数；则旅游需求时间序列为：

其中，Ji表示历史数据集不同需求序列的长度；

所述步骤S2具体包括：定义一个偏序关系 表示 比 更平稳；

J J

定义Ω ＝{ω1,ω2,…,ωJ}，其中，Ω 表示权重空间，ωJ表示第J个序列的权重；然后利用引导注意机制对旅游需求时间序列的稳定性进行调节：其中，i1,i2∈{1,2,…,N}，i1≠i2， f2是一个齐次多项式，满足

1≤ik≤N,k＝1,2；考虑到更一般的时间序列的引导注意机制，定义：

其中，ik(k＝1,2,…,m)∈{1,2,…,N}， fm是一个齐次多项式，满足k＝1,2,…,m；

J

显然，任意个数的齐次多项式fm(X1(t),…,XN(t))的加权和仍然是与Y (t)项数相同的多项式，因此等式(1)的等价形式描述为：其中，m齐次多项式的最高阶，Ji＝J(i＝1,2,…,n)， 是 的逆变换；特别地，当m＝N， 式(4)将退化为式(1)；Ω表示一个完全连接的长短期记忆预测器；

J

步骤S3中，构建全连接长短记忆神经网络，具体包括：通过Ω得到对Y(t)的估计则旅游需求的估计值为：其中，∑j＝N；同时， 依赖于m的值和fm(X1(t),X2(t),…,Xn(t))的多项式形式，为了得到Y(t)的最优估计，得到如下预测模型：∑j＝N        (6)。

2.根据权利要求1所述的旅游需求时间序列预测方法，其特征在于，步骤S4中，预测模型对平稳的旅游需求时间序列是直接进行预测，而对非平稳的旅游需求时间序列是进行组合，然后预测。

3.根据权利要求1所述的旅游需求时间序列预测方法，其特征在于，步骤S5具体包括：将预测模型转化为凸优化问题，即多目标优化问题，采用排序遗传算法对该问题进行求解，从而确定预测模型中涉及到的参数。