La demanda de pronóstico del turismo comprende una tarea importante dentro del proceso general de gestión de la demanda turística, ya que permite la toma de decisiones informadas que pueden aumentar los ingresos de los hoteles. En los últimos años, la amplia disponibilidad de big data en el turismo permitió el desarrollo de enfoques novedosos basados en el uso de técnicas de aprendizaje profundo. Sin embargo, la mayoría de los enfoques propuestos se centran en el pronóstico de la demanda turística a corto plazo, que es solo una parte del problema de pronóstico de la demanda turística. Otra parte importante es que la mayoría de los modelos propuestos no integran datos exógenos que podrían lograr resultados mejores en términos de precisión de pronóstico. Derivado de los problemas mencionados, este artículo introduce un enfoque basado en el aprendizaje profundo para el pronóstico de la demanda turística a largo plazo. En particular, los modelos de pronóstico propuestos se basan en la red de memoria a corto y largo plazo (LSTM), que es capaz de incorporar datos de variables exógenas. Se implementaron dos modelos diferentes, uno utilizando solo datos históricos de reservas de hoteles y otro que combina los datos anteriores junto con datos meteorológicos. El objetivo de los modelos propuestos es facilitar la gestión de una unidad hotelera, aprovechando su capacidad para integrar datos exógenos y generar predicciones a largo plazo. Los modelos propuestos fueron evaluados con datos reales de tres hoteles en Grecia. Los resultados de la evaluación demuestran el rendimiento superior en el pronóstico de los modelos propuestos después de la comparación con enfoques conocidos de vanguardia para los tres hoteles. Al realizar pruebas adicionales de modelos de pronóstico con y sin parámetros relacionados con el clima, concluimos que las variables exógenas tienen una influencia notable en la precisión de pronóstico de los modelos de aprendizaje profundo.