全球化贸易的飞速发展带动了交通运输业的繁荣,日渐增加的海运集装箱周转量、港口之间加剧的竞争对码头的服务水平提出了更高的要求。船舶在港时间是船公司衡量集装箱码头服务水平的重要标志,缩短船舶在港时间可以压缩航行周期,降低集装箱运输成本,同时加速港口船舶周转,提高港口通航效率和综合竞争力。因此,围绕集装箱船舶在港时间而展开的研究具有重要的现实意义和应用价值。现有对船舶在港时间的直接研究较少,本文以广州港南沙二期码头为例,主要从船舶在港时间的分析、船舶在港作业时间预测模型和模型的应用分析三个方面展开研究:（1）广州港船舶在港时间现状分析与优化建议。本文对广州港南沙二期码头、多家船舶代理公司、拖轮公司及引航站等相关单位进行了广泛的实地调研和数据采集,理清船舶进出港流程并据此划分在港时间阶段,从船舶抵达锚地到靠泊时间和直靠率、靠泊后开工前时间、作业时间和作业效率、完工后闲置时间、空闲时间以及作业时间占在港时间比例这六个方面,对南沙二期码头船舶在港时间数据进行统计分析,结合调研报告,找出对应在港时段的影响因素及存在的问题,从码头、船公司、引航机构、拖轮公司、船舶代理和政府部门的角度提出优化船舶在港时间的建议。（2）基于Stacking的船舶在港作业时间预测模型。由于船舶作业时间占总在港时间的70%-80%,码头公司需根据船期表预估船舶装卸作业所需的时间,据此制定本码头的靠离泊及移泊计划,然后再将计划传递给广州港集团总调度统筹协调。船舶作业时间受多种动态因素影响,而码头现行预测方法为简单的待装卸集装箱量除以分配岸桥数与该航线前一个月平均岸桥效率的乘积,预测精度较低,导致船舶在港闲置时间长。本文考虑装卸翻集装箱量、作业岸桥数和岸桥效率、船舶类型、相邻时间段靠泊船舶数量和吨位、开工时间、天气等因素对船舶港口作业时间的影响,提出基于Stacking集成学习的集装箱船舶码头作业时间预测模型,第一层基学习器选择线性回归、决策树、随机森林、GBDT、XGBOOST、LGBM、BP神经网络,为了防止过拟合,第二层元学习器采用线性回归。（3）船舶在港作业时间预测模型应用分析。本文利用南沙二期码头两年半的船舶作业数据进行了探索、归一化处理、特征选择和降维处理,然后将预先处理好的数据集输入经过参数寻优的预测模型进行学习训练,将七个基学习器、Stacking集成模型以及传统方法的预测结果进行学习曲线、模型拟合效果和指标的对比分析,验证Stacking集成模型相较单一模型有更高的预测精度。接着通过对不同基模型特征贡献度的对比,探究特征重要程度对码头实际运营的指导意义。最后分析预测模型在港口的应用效果,发现南沙二期码头采用Stacking模型平均每月可减少251小时的船舶在港作业时间,特别对于作业量在0-999TEU的占总样本量49.23%的小型集装箱船,可将每条船的平均误差缩小26.15%,说明所提出的预测模型有利于减少船舶在港作业时间,提升港口运营效率。