我国作为世界十大港口占据数量最多,货物吞吐量位居第一的港口大国,其港口物流在国民经济发展中发挥着重要的作用。近些年来,港口经济的迅速发展也不断对港口企业提出新的要求,如何提升港口运输物流服务的效率,降低港口作业损耗及存在风险成为亟待解决的问题。许多学者围绕这些问题展开了重点的研究,并取得了成果。但是这些研究主要从港口布局优化、资源配置管理、企业流程管理与再造等角度出发提升港口物流效率,利用港口作业数据并构建预测算法模型在解决港口生产延误方面的研究还较少。由于港口生产作业具有组成作业活动数量繁多,活动安排灵活,相互之间具有关联影响的特点,以及在生产过程中受到机械设备、天气、人员等多种因素影响,这些特点及因素非常容易导致实际生产过程中港口作业延误情况发生,严重影响港口效率。目前港口在生产管理还主要以经验、制度等方面为主,难以满足及早发现、及早调整改变、精准定位、降低风险的需求。本文以贝叶斯网络作为延误预测的基本算法模型,针对港口生产特点在网络结构和参数学习上进行改进,将工作流程挖掘算法获取作业流程模型相结合,最后对预测模型进行实例验证分析并应用到作业延误预测系统建设。本研究的主要工作内容有三点。首先,对散杂货港口生产作业现状进行分析,将生产作业活动以及影响作业活动的因素进行归纳;并从港口生产系统中选取作业数据,通过流程挖掘算法获得其真实的作业流程模型,并针对港口数据量大、流程模型复杂的特点,提出并行启发挖掘算法以提升效率。其次,将生产延误预测问题转换为一个贝叶斯网络概率模型求解问题。网络学习阶段,将生产活动流程与活动影响因素分别转换为两个独立的结构网络,将流程模型引入到活动流程结构学习中,最后再合并;参数学习中阶段考虑到流程活动的循环特点,对参数学习公式进行修正。使用港口真实数据验证改进后的预测模型的有效性、准确性和解释性。最后,在既有的港口系统与数据源基础上,设计了融合了预测模型的港口生产延误预测应用系统框架,并采用现代程序语言技术进行开发,实现模型的进一步应用。本文将流程模型与贝叶斯网络相结合,改进了预测模型结构学习速度以及解释性,参数学习中考虑了作业循环结构的影响,能够使得预测模型更加适应复杂的港口作业情况,提升作业延误预测精度及业务解释。有效的帮助优化港口作业计划,及时调整作业安排,降低作业阻塞延误风险,提升港口效率。为港口其他企业及场景提供了可借鉴的思路和指导。