善思观点 | 吴晨光：多智能体协作重塑旅游需求预测新范式
群体智能：
多智能体协作如何重塑旅游需求预测新范式
近年来，大语言模型（LLM）与多智能体协作系统的快速发展，为旅游需求预测提供了全新的技术路径。然而，这种融合群体智能思想的预测范式，究竟能否突破传统模型在非线性数据处理、可解释性及动态适应性上的局限？william英国中文吴晨光教授与博士生张培颖在《旅游学刊》2026年第41卷第3期发表的笔谈，系统阐述了多智能体协作如何通过角色分工、信息共享与迭代推理，重塑旅游需求预测的研究范式。
1
研究背景：旅游需求预测的困境
旅游需求预测是目的地管理、资源规划与收益管理的核心问题。已有研究主要依赖时间序列模型、计量经济模型及传统人工智能模型，这些方法在相对稳定的环境下具有重要指导作用。然而，面对日益复杂的预测环境，其局限性也日益凸显：
- 数据适应性不足：传统模型难以有效处理非线性、非平稳的高频数据；
- 信息整合困难：宏观经济、政策、社交媒体、天气、突发事件等非结构化信息难以被充分解读；
- 可解释性缺失：AI模型虽能提升精度，却无法回答“为什么”，限制了管理者的实际应用。
因此，旅游需求预测亟须在方法模型之外，引入新的技术支撑与组织思想。
2
LLM智能体：赋能预测流程的新机会
大语言模型（LLM）具备强大的自然语言理解、生成与推理能力。基于LLM构建的智能体，在任务解析、数据检索、特征生成、预测与解释、持续改进等环节展现出独特优势：
- 自然语言理解与推理：研究者只需给出指令，智能体即可完成意图理解和任务分解，提高自动化水平；
- 规划与决策：将预测任务拆解为若干子任务，并为各子任务构建解决方案；
- 工具调用与执行：流程化完成数据获取、清洗、特征工程、模型构建与预测；
- 情境化预测：通过模拟不同场景（如极端天气），及时捕捉互联网信息，应对不确定性；
- 可解释性：通过推理链、工具日志、反思过程，提供预测结果及其原因。
值得强调的是，LLM并非替代传统统计或计量模型，而是通过赋能预测过程，拓展旅游需求预测的认知边界。
3
多智能体协作：群体智能的范式跃迁
在多智能体协作系统中，多个具备自主感知、推理与行动能力的LLM智能体，通过结构化通信、记忆共享、动态角色分配、策略协调等机制，共同完成单一智能体难以高效实现的复杂任务。其核心优势体现在：
- 同构与异构互补：同构智能体实现任务并行化，加快预测速度；异构智能体通过角色分工与专业知识融合，降低单点失误风险；
- 协作方式多样：通过对话、辩论、投票、反思、总结等机制，实现群体智能；
动态策略调整：基于环境反馈与中间结果，迭代优化分工与执行策略。
将上述优势引入旅游需求预测，带来四大新机遇：
- 多源异构数据处理：设计不同角色的智能体，分别获取与分析游客人次、交通费用、天气、政策、社交媒体等数据；
- 子任务有机衔接：信息共享与结构化通信，保证预测流程的连续性与一致性；
- 持续自我优化：系统可替换表现不佳的智能体，动态调整协作策略，降低算力成本；
多视角融合决策：通过群体观点一致性或冲突分析，生成更合理、更可信的预测结果与解释。
因此，多智能体协作并非一种具体算法或传统组合模型的替代，而是一种引入群体智能思想重塑旅游需求预测研究范式的尝试。
4
核心挑战：协作策略、幻觉与评估
尽管多智能体协作带来了多角色执行、流程自动化、自我优化与知识融合等新机遇，但其在理论构建与实践应用中仍面临三大挑战：
- 协作策略设计复杂性：不同预测任务需要差异化的协作机制。如何在同构/异构配置、并行/链式/辩论等协作方式、静态/动态拓扑结构之间权衡，并兼顾任务复杂性、效率与算力成本，是核心难题；
- 幻觉与误差累积：LLM在推理中易产生幻觉，多轮协作可能放大这一问题，导致预测误差累积与决策偏差。如何抑制幻觉传播并保障输出一致性，亟待研究；
- 协作预测评估体系缺失：传统指标（RMSE、MAE、MAPE）只能衡量整体精度，无法揭示各智能体的具体贡献与协作机制的有效性。亟须开发能够量化个体贡献、揭示协作逻辑的评估框架。
多智能体协作给旅游需求预测提供了新的研究范式，其核心在于利用群体智能的思想克服传统模型或单一智能体的局限性。通过借鉴人类群体预测的经验，构建多样化的智能体群体，有望在预测准确性、稳定性和可解释性上实现突破。然而，要实现这一愿景，还需在协作策略设计、幻觉与误差累积、个体贡献评估等关键挑战上取得进展，为旅游管理决策提供更可靠的支持。
5
论文信息
论文题目：
群体智能：多智能体协作如何重塑旅游需求预测新范式
刊物名称：
旅游学刊
所有作者：
吴晨光（william英国中文），张培颖（william英国中文博士研究生）
