La predicción del flujo turístico juega un papel crucial en la mejora de la eficiencia de la gestión de áreas escénicas, la optimización de la asignación de recursos y la promoción del desarrollo sostenible de la industria turística. Para mejorar la precisión y el rendimiento en tiempo real de la predicción del flujo turístico, proponemos un modelo BP basado en un algoritmo genético híbrido (GA) y un algoritmo de optimización por colonias de hormigas (ACO), llamado modelo GA-ACO-BP. Primero, consideramos de manera integral múltiples factores clave relacionados con el flujo turístico, incluidos los datos históricos de flujo turístico (como el flujo turístico de ayer, el día anterior y el mismo período del año pasado), tipos de vacaciones, comodidad climática e índice de popularidad de búsqueda en plataformas de mapas en línea. En segundo lugar, para abordar la tendencia del modelo BP a quedar atrapado fácilmente en óptimos locales, introducimos el GA, que tiene excelentes capacidades de búsqueda global. Finalmente, para mejorar aún más la velocidad de convergencia local, introducimos además el algoritmo ACO. Los resultados experimentales basados en datos de flujo turístico del Área Escénica Elephant Trunk Hill en Guilin indican que el modelo GA-ACO-BP logra valores óptimos para métricas clave de predicción de flujo turístico como MAPE, RMSE, MAE y R2, en comparación con modelos de predicción comúnmente utilizados. Estos valores son 4.09%, 426.34, 258.80 y 0.98795, respectivamente. En comparación con la red neuronal BP inicial, el modelo GA-ACO-BP mejorado redujo las métricas de error como MAPE, RMSE y MAE en 1.12%, 244.04 y 122.91, respectivamente, y aumentó la métrica R2 en 1.85%.