最新的研究成果，本论文的主要观点为为提高船舶进出港口速率，改善船舶交通流量预测精度，满足港口未来发展需求。提出了基于RF(Random Forest, RF)-ARIMA(Autoregressive Integrated Moving Average, ARIMA)-BLSTM(Bidirectional Long Short-Term Memory ,BLSTM)的船舶交通流量的预测方法，采用随机森林（RF）算法和ARIMA模型分别与LSTM和BLSTM结合进行了预测并比较研究，并将其应用于2016-2019年青岛港统计的共48个月度的船舶进出港口总艘次预测中。结果表明：基于RF-ARIMA-BLSTM的方法预测精度最高，并与其它3种预测模型对比，其评价指标均方根误差、平均绝对误差和平均绝对百分比误差分别为120。93、90。73和3。37%，基于RF-ARIMA-LSTM神经网络的预测精度最低。本文提出的船舶交通流量预测方法以期为港口未来发展与规划布局提供决策指导。不知是否符合录用要求，望您批评与指正。