La necesidad de una previsión precisa de la demanda turística es ampliamente reconocida. La falta de fiabilidad de los métodos tradicionales sigue haciendo que la previsión de la demanda turística sea un desafío. Usando enfoques de aprendizaje profundo, este estudio tiene como objetivo adaptar las redes de Memoria a Corto y Largo Plazo (LSTM), LSTM Bidireccional (Bi-LSTM) y Unidades Recurrentes con Puertas (GRU), que son directas y eficientes, para mejorar la previsión de la demanda turística de Taiwán. Las redes son capaces de captar la dependencia de los datos de series temporales de llegadas de visitantes. El algoritmo de optimización Adam con tasa de aprendizaje adaptativa se utiliza para optimizar la configuración básica de los modelos. Los resultados muestran que los modelos propuestos superan a estudios anteriores realizados durante los eventos del Síndrome Respiratorio Agudo Severo (SARS) de 2002-2003. Este artículo también examina los efectos del actual brote de COVID-19 en las llegadas de turistas a Taiwán. Los resultados muestran que el uso de la red LSTM y sus variantes puede funcionar satisfactoriamente para la previsión de la demanda turística.