港口吞吐流量预测是港口管理规划六大主要内容之一,根据吞吐量预测进行港口调度管理优化,可以缩短装卸等待时间,提高船舶进出港效率,减少经济浪费,而确定未来的吞吐量是计划调度的关键因素。本文以厦门港为例,首先介绍了港口决策相关理论,引出了港口吞吐流量预测在理论和实务中的必要性。接着理论联系实际,探究了港口吞吐量的预测方法问题。在传统的预测方法基础,使用了以量子行为粒子群优化算法来为搜索算法的径向基神经网络,用来进行厦门港流流量时间序列的预测。在预测的应用过程中,提出了一种结合两个不同的无监督训练算法对所使用神经网络的模型参数进行确定的方法,即通过结合Density Peaks和k-means解决了径向基网络隐含层神经元个数确认的问题,从而提高神经网络模型构建效率,并避免了传统主观选择神经网络结构所导致的误差。实验结果表明,利用本文所构建的神经网络模型去拟合时间序列数据,其预测效率和精度都达到了较高的水平。为了横向对比本文所使用的改良后的神经网络模型,本文以三种常用的时间序列预测模型即移动平均法,三次指数平滑法和ARIMA模型作为对比,实验结果证明本文使用的模型相比以上三种模型有更高的精度。本文基于对港口未来的发展以及生产调度决策问题,对厦门港港口吞吐量预测模型进行了研究改良和预测应用,对现实生产中港口调度等管理决策上具有一定参考意义。