港口是国内外物流重要的支撑力量,日益加剧的竞争环境促使港口向智慧化、精细化方向转型。吞吐量是衡量企业生产经营活动的重要依据。吞吐量长期预测有助于企业投资规划、制定发展策略。吞吐量短期预测可以辅助企业安排生产活动、调整企业运营节奏,对企业精细化发展意义重大。本文引入深度学习技术对散杂货港口月度吞吐量数据建模,从时间序列分析的角度研究吞吐量短期预测问题,主要包括以下几方面:(1)散杂货港口吞吐量时间序列特性分析,验证了其线性与非线性交织的复合型发展趋势。结合散杂货运输的业务特点,挖掘其长期性、季节性、波动性等多特征,将以上多特征的影响因素提取出来用于后续建模。(2)基于ARIMA的线性吞吐量预测模型、基于LSTM的非线性吞吐量预测模型的构建与验证。通过网格搜索法确定模型最优参数。将多特征影响因素引入到LSTM模型,进一步提高其预测精度。(3)吞吐量预测组合模型的构建与应用。为了避免单一预测模型在复合型问题的不足,采用权重分配的方式将线性模型与非线性模型组合。将组合模型嵌入到港口生产业务系统中辅助集团及港务分公司管理决策。本文以广州港集团G港务分公司为例,验证了线性模型ARIMA与非线性模型LSTM的适用性及优势。组合模型预测平均相对误差为0.096,远低于三次指数平滑法的0.1819。此外,选取了 RMSE、MAE以及误差等级等对预测效果进行评估,论证了组合模型的优越性。本文提出的组合模型对港口企业吞吐量预测有一定的参考意义。