我国经济社会的不断发展,带来物流运输的极大需求。漫长且曲折的大陆海岸线带来为数众多的优良港湾,结合当前实行的多式联运方案,给水路运输的发展提供坚实基础。水路运输以其大运量、低运价在物流运输中具有相当的运输优势。集装箱具有标准化、集成化、装卸机械化以及运输便利性等特点。作为集水路运输与集装箱装卸存储为一体的交通运输枢纽,集装箱码头在经济贸易中发挥重要角色。而随着集装箱运输量的增长以及集装箱码头之间竞争程度的加剧,促使集装箱码头提高自身运营水平以及作业系统服务效率。码头运行条件是集装箱码头作业系统（Container Terminal Handling System,CTHS）的关键。码头船舶在泊时间（Liner Berthing Time,LBT）、船舶装卸作业时间（Liner Handling Time,LHT）、岸桥集群总作业时间（Total Working Time of Quay Crane Farm,TWT-QCF）以及船舶装卸箱量（Liner Handling Volumes,LHV）是评价码头服务效率的中心指标,也是集装箱码头任务调度和资源配置的重要依据和指导。本文在总结集装箱码头生产作业相关研究背景的基础上,结合当前不断发展的深度学习理论,提出将计算物流和深度学习相结合,对计算的本质和内涵进行概括、统一和整合,探讨LBT、LHT、TWT-QCF以及LHV的预测。将人工神经网络学习计算与集装箱码头物流广义计算（Logistics Generalized Computation for Container Terminals,LGC-CT）相结合,连接信息空间与物理世界。基于我国典型集装箱码头近5年的运营作业数据,针对LBT、LHT、TWT-QCF以及LHV指标特性,分别设计并执行三种深度学习预测模型,并针对预测结果进行评估,为集装箱码头运营资源的配置、部署和执行提供支持。利用TensorFlow 2.3版本的深度学习框架,集成设计包括循环神经网络（含长短期记忆网络、门控循环单元等）、卷积神经网络和注意力机制在内的三种深度学习模型,通过对集装箱码头生产作业数据集序列的预处理以及模型架构设计与调试,取得比较好的预测结果,初步验证了所提出的复合计算体系和计算范式的可行性和可信度,也为集装箱码头作业系统调度决策提供一定的帮助和见解,提升集装箱码头运营作业效率,最终增强码头竞争力。