近年来,已经广泛研究了高斯过程(GP)模型来解决硬机器学习问题。 这些模型之所以重要,是因为它们具有使用Mercer内核和贝叶斯框架进行概率推理的灵活的非参数建模能力。 在本文中,我们提出了一种稀疏的GP回归(GPR)模型来预测香港的旅游需求。 GPR模型的稀疏化过程不仅降低了计算复杂度,而且提高了泛化能力。 我们用与香港旅游业有关的月度需求数据对提出的模型进行了实验,并将稀疏的GPR模型的性能与各种基于核的模型的性能进行了比较,以证明其有效性。 提出的稀疏GPR模型表明,其预测能力优于ARMA模型和两个最新的SVM模型。