随着钢铁货运需求的不断增加,钢厂道路拥堵、货车排队时长不确定等问题日益凸显,极大地影响了钢铁货运效率,亟需设计有效的钢厂货车滞留时长预测方法。据钢铁物流数据分析,货车在钢厂的滞留时间主要包括货车厂外排队时长与其在仓库滞留的时长两部分。然而,钢厂不同仓库装卸货作业能力的差异性、货车排队时长的长尾分布、货车在钢厂滞留的多阶段等特性,使得钢厂货车滞留时长预测面临严峻挑战。鉴于此,本文基于真实的钢铁物流数据,利用深度学习技术提出了钢厂货车滞留时长预测方法。考虑到仓库装卸货作业能力的动态变化、队列中货车滞留时长受其前序车辆作业时长的影响,设计实现了基于注意力机制的仓库滞留时长预测方法;此外,针对货车滞留时长的长尾分布特性以及排队分段预测导致的预测误差累积问题,提出了基于协作学习的货车排队时长预测方法。具体地,本文主要工作包括以下几个方面:（1）整理时长预测问题的研究现状:本文对时间预测问题的常用方法进行了系统的梳理,分类阐释了不同方法的设计原理及其适用场景;同时,对现有方法对解决钢厂货车滞留时长的不足之处进行深入剖析,明确了钢铁物流场景为时间预测问题带来的技术挑战,为本文设计钢厂货车滞留时长预测方法提供了技术思路。（2）提出了基于注意力机制的仓库滞留时长预测方法:针对仓库装卸作业能力的多变特性、前序货车任务执行进展对后续排队车辆的不同程度的影响,首先利用长短期记忆神经网络（LSTM模型）基于最近完工车辆的作业信息实时挖掘仓库作业能力,提取队列中前序车辆的任务执行进展信息,随后,结合多头自注意力机制捕获队列前序车辆中对于当前车辆仓库滞留时长预测影响最大的装车任务进度信息,构建仓库滞留时长预测模型。（3）设计了基于协作学习的钢厂排队时长预测方法:鉴于货车排队时长数据呈长尾分布、分阶段预测容易导致预测误差累积等问题,本文提出了集分段预测与分组预测优势的钢厂排队时长预测方法,先利用分段建模预测避免长尾分布对预测精度的干扰,设计实现基于分组的预测模型以缓解预测误差累积,在此基础上,通过自适应加权的方法集成分组与分段预测的预测结果,确保获得较高的预测精度。本文提出的基于注意力机制的仓库滞留时长预测方法与基于协作学习的钢厂排队时长预测方法,通过实际钢铁物流数据进行验证。实验结果表明,本文所提预测方法较主流方法具有更高的预测性能,仓库滞留时长预测方法相比其他主流方法预测误差减少了 18.81%,厂外排队时长预测方法相比其他主流方法预测误差减少了 16.67%。