针对港口集装箱吞吐量数据的复杂性特征，提出基于优化变分模态分解（OVMD）和核极限学习机（KELM）的集装箱吞吐量短期混合预测模型。首先，用汉佩尔辨识法（HI）剔除原始时间序列中的异常值，并把预处理之后的序列通过OVMD分解为多个特征明显的子模态。然后，为提高预测效率，将分解后的子模态按照样本熵（SE）值的大小分成高频低幅、中频中幅和低频高幅三类；同时，借助KELM中携带的小波、高斯和线性核函数捕捉具有不同特征子模态的趋势。最后，把所有子模态的预测结果线性相加得到最终的预测结果。以深圳港的月度集装箱吞吐量数据为样本进行实验，所提模型的平均绝对误差（MAE）达到0.914?9，平均绝对百分比误差（MAPE）达到0.199%，均方根误差（RMSE）达到7.886?0，决定系数（R2）为0.994?4。与四种对比模型相比，所提出的模型在预测精度和效率上都具有一定的优势，同时克服了传统互补集成经验模态分解（CEEMD）和集成经验模态分解（EEMD）中容易出现的模态混叠问题以及极限学习机（ELM）中存在过拟合等问题，具有一定的实际应用潜力。
