港口集装箱吞吐量是世界经济发展的晴雨表,是政府主管部门制定宏观经济和产业发展政策的基础前提。近年来自然灾害、经济环境、地缘政治以及公共卫生（疫情）等多方面的重大事件发生频数有着明显的增长趋势,主要表现为对整个社会交通运营造成巨大影响,其影响规模、持续时间将造成港口集装箱吞吐量发生波动振荡变化;然而集装箱吞吐量观测数据包含多种复杂叠加成分,传统预测技术不能有效捕捉重大事件对预测结果的影响,因此难以得到可用于指导实践的预测结果。为弥补以上不足,必须以重大事件影响定量化分析为核心,对集装箱吞吐量预测进行方法创新,即基于重大事件分析构建预测模型,进而提出可推广性高、适用于重大事件普遍场景的港口集装箱预测方法。为达到以上目标,本文提出了一种基于重大事件影响分析的分解集成预测方法（EMD-Event Analysis-ArimaSVR,EEAS）,该模型方法思路主要包含以下步骤:（1）首先使用经验模态分解（Empirical Mode Decomposition,EMD）技术将原始观测数据分解为有限个本征模态函数（Intrinsic Mode Function,IMF）,重大事件的影响信号可利用IMF提取出来;（2）然后,利用平稳性检验、模态波动尺度分析、结构断点检验等手段分析不同IMF的数据特征进行事件影响分析判断重要事件对港口吞吐量序列变化的影响并根据统计学方法界定其规模程度;（3）接着,根据数据特征以及重要事件判定结果将IMF放入适用的预测模型组（ARIMA预测组和优化的SVR预测组）并进行模态重构组合成新的有限个IMF模态,随后对这些新模态进行单独预测;（4）最后,通过简单加法（ADD）集成各新IMF的预测结果进行聚合得到最终的预测结果。为了验证新方法的预测性能,本文以全球集装箱吞吐量运输第一大港（上海港）的集装箱吞吐量预测为实例进行验证,对比分析了新方法（EEAS）和EMD-SVR,SVR,ARIMA的预测性能和准确度。文章结果显示:（1）新模型能够有效捕捉新冠疫情和上海港“大拥堵”两个重要事件的影响程度,使得预测精度显著高于对比预测模型;（2）通过对照验证结果证明事件影响混合分析模型能够界定SVR模型的预测滞后期d,使得SVR模型的预测性能得到有效提升。通过以上研究值得指出的是,本方法具备很高的可推广性,主要体现在两个方面:第一,该方法能够以数据驱动的方式自动从初始观测数据中提取重大事件影响成分,理论上能够胜任新冠疫情、地震、经济政策等对预测对象产生显著影响的任何种类重大事件下的集装箱运量预测分析,具备非常高的场景可推广性;第二,该方法允许根据数据特征选取适合的具体预测模型,具备很高的具体预测模型的可推广性。