随着近年来我国海上航运事业取得的持续快速的发展,中国沿海地区也已经发展成为了当今世界上水路交通运输事业最为发达繁忙的经济地区。由于海上交通规模的不断扩大,海洋事故发生率也有逐年上升的发展势头,建设完善的水路运营管理机制非常关键,而准确的船舶交通流预测正是最为直观的科学管理依据,能够对水路管理提供有效支持,船舶交通管理人员可以根据船舶交通流预测结果提前对船舶进行诱导指挥,避免一系列交通安全事故的发生。面对当前交通流预测算法准确度低、收敛慢和性能不稳定等实际问题,我们就从这些主要方面着手对船舶交通流预测问题开展了深入研究,对港口航道水域的日船舶交通流量展开预测研究。本文以宁波舟山港口重要航道虾峙门航道为案例,进行船舶交通流的预测模型建立及结果分析。首先,本文根据虾峙门航道的地理位置提取并筛选了进出该航道的船舶自动识别系统（Automatic Identification System,AIS）数据,并对采集到的数据进行了去噪声等预处理操作;然后,本文使用宽度学习系统（Broad Learning System,BLS）建立船舶交通流预测模型,根据交通流的时间序列特性,构建了基于BLS的船舶交通流预测模型;最后,在BLS模型的训练参数的优化问题上,利用了改进的粒子群算法（Particle Swarm optimization,PSO）对BLS模型进行参数优化,进一步提高了船舶交通流的预测精度。为了验证本文所提模型的预测性能,采用差分整合移动平均自回归模型（Auto-Regressive Integrated Moving Average Model,ARIMA）、BP神经网络（Back-Propagation Neural Network,BPNN）模型和基于遗传算法（Genetic Algorithm,GA）优化BPNN模型对船舶交通流进行了建模,并与本文提出的预测模型进行了对比。实验结果表明本文提出的基于BLS及其基于改进PSO优化的预测模型具有更高的预测精度。本文基于AIS船舶数据和宽度学习系统对船舶交通流预测问题进行了深入的研究。相关的实验验证了模型预测的有效性,表明本文提出的基于改进PSO优化的BLS预测模型对船舶交通流预测的精度更高,为航道的船舶交通流管理以及规划提供更加准确可靠的科学支持。