集卡作为集装箱码头重要的运输工具之一,涉及集装箱码头作业系统的许多流程。在随机入港模式下,码头管理者预知集卡到达信息对于码头闸口及堆场规划均具有实际指导性。然而集装箱码头的到达量与到达时间随机性较大,由于港口不同位置作业效率不同,极易造成港口拥堵问题以及作业不均衡等问题。较长提前期的集卡到达数量的准确预测可为码头堆场布局规划以及作业流程规划提供可靠的支撑。本文构建了一个两阶段预测模型,借助采集自集装箱码头的集卡到港信息进行集卡到达量预测。第一阶段模型为传统自回归滑动平均模型（ARMA）,通过参数设置获得预测值及残差值;第二阶段模型为长短时记忆网络模型（LSTM）,通过影响集卡到达量的因素所构成的特征集对第一阶段模型的残差值进行预测。本文分别预测了混合作业集卡、交箱作业集卡、提箱作业集卡的每日到达量,从分类后三种作业类型集卡到达量的时序图中发现,到达量的波动规律不同,将三种作业类型集卡分开预测到达量能够提升准确性。预测结果指标MAPE（Mean Absolute Percentage Error,平均绝对百分比误差）最低仅为6.6%,较文献研究方法有所改善。ARMA-LSTM克服了人为因素的主观性影响,为码头管理者预测集卡到达提供了一种新的思路和新的方法,有助于为码头装卸设备及人力资源调配提供依据。对较长周期的码头每天集卡到达量进行预测能够对港口集卡的调度起到一定的辅助作用,同时也能够为整个港口的生产调度的计划在一定程度上提供较为科学化的理论依据,有助于码头资源合理配置,有利于诸如节假日等集卡到达量波动较大时期的高峰应对和成本控制。本文所采用的方法在时间序列预测中已有广泛应用,在集卡到达量时间序列预测中也取得良好效果,所采用数据在一般港口管理系统中均有存储,在不同码头间可复用性较强。