近年,随着我国“一带一路”的国家级顶层合作倡议的推广,海上航运业将在未来承载我国主要贸易货物的运输工作,对我国的社会经济发展具有重要的助推作用。但是由于货运量呈现出的增长不确定性,很多港口的货运量都出现过饱和状态,货船不得不在近港海域进入待机状态。因此,有效地提前预知港口的仓储物流量不仅可以提高港口作业效率,节省开支成本;还可以为航运时间规划,航线路径优化提供决策支持。本文提案的宽度学习系统(BLS,broad learning system)在集装箱吞吐量预测中的应用研究,是通过应用管理运筹学领域的热点研究解决目前工程应用领域遇到的痛点问题。首先,宽度学习系统是一种不需要深度结构的高效增量机器学习方法,是基于将映射特征作为随机向量函数链接神经网络(RVFLNN,random vector functional link neural network)输入的思想设计,数据的特征节点和增强节点以有效且高效的方式完成模型训练过程。同时,BLS算法中引入激活函数概念,使线性问题可以在非线性空间上得到更好的解决。然而,由于BLS是典型的分类识别算法,所以本文将对BLS进行诸多改良,构建基于BLS的时间序列预测模型。然后,将应用本文提案的基于BLS的时间序列算法建立港口集装箱货物吞吐量的预测模型,并利用该模型预测上海港港口的集装箱货物吞吐量。最后,将BLS模型的预测结果同线性回归模型(LR,linear regression model)、支持向量回归模型(SVR,support vector regression model)、自回归积分移动平均模型(ARIMA,autoregressive integral moving average model)、广义自回归条件异方差模型(GARCH,generalized autoregression conditional heteroscedasticity model)对标。实验结果表明,该方法在训练数据的基础上进行了优化,并取得更高的预测准确度。