随着中国海运事业的蓬勃发展,港口运输贸易日益频繁。近年来,船舶向大型化发展,船舶形式迎来新变化,进出港口船舶种类发生改变,船舶进出港的频次愈来愈高水上交通事故也相应增加,给港口交通管理造成了障碍,使得港口船舶交通流量的研究更加迫切。由于影响船舶交通流量的各种因素也越来越复杂,对港口船舶交通流量的预测研究是优化出入港船舶组成结构的基本工作。高精度的船舶交通流量预测不仅可为港口交通效率和交通安全提供理论依据,而且能够为未来的港口建设规划提供一些指导。在文中,通过阅读大量国内外文献后,综合国内外学者对于船舶交通流量预测方法和模型,通过总结现有船舶交通流量预测模型的基础上,提出基于组合模型的港口船舶交通流量预测,并通过大连大窑湾港船舶交通流量数据加以验证。建立了考虑季节性因素的传统季节自回归综合移动平均模型（seasonal autoregressive integrated moving average,SARIMA）和结合随机森林影响因素选择模型（random forest,RF）的单向与双向长短期记忆神经网络模型（long short term networks,LSTM）,分别使用这三种不同类别的模型进行不同方式的组合。实例数据汇总了大连大窑湾港2011年到2020年期间的120个月度船舶交通流量数据组,包括船舶交通流量、港口腹地GDP数据、港口贸易量、固定资产投资量等数据。经过初步的数据分析与整理,数据均满足3种模型训练的前提条件。首先通过SARIMA模型进行只考虑季节性因素影响的预测,对大连大窑湾港船舶交通流量进行预测分析,然后,通过3个模型间的相互结合建立了多种组合方式,包括RF-LSTM模型、RF-BLSTM模型、SARIMALSTM模型、SARIMA-BLSTM模型、SARIMA-RF-LSTM模型和SARIMA-RF-BLSTM模型分别对大连大窑湾港船舶交通流量数据组进行预测分析,并加入不同影响因素的数据组,同时对各个模型的预测结果进行评价,通过对几种模型的组合对比得出含有BLSTM模型的组合模型效果比其它模型较好,且SARIMA-RF-BLSTM模型的预测效果最好,且预测误差保持在2.30%以内。通过Python搭建各预测模型并以2011年到2020年期间的大连大窑湾港船舶交通流量数据组进行实证分析,得出了7组评价指标数值。基于SARIMA-RF-BLSTM的组合预测模型充分结合了3者的优势,3种评价指标均为最低,预测精度最高,论证了组合模型的适用性。本文所提出的港口水域内船舶交通流量预测方法可以为港口内交通规划提供理论指导。