准确预测进口集装箱滞留时间是提升集装箱码头生产力的关键任务，有助于减少场桥的二次搬运操作。然而，决定滞留时间的关键因素，如货主信息和货物信息，通常以非结构化文本形式记录，这限制了其在机器学习模型中的有效利用。

本研究提出了一种创新的协作框架，将生成式人工智能与机器学习相结合，以解决上述数据瓶颈。该框架的核心是利用生成式AI，将非结构化的文本信息自动标准化为统一的国际标准代码。同时，框架引入了动态重预测机制，当电子数据交换状态更新时，会触发模型重新预测，确保预测结果能反映最新信息。这使得后续的机器学习模型能够基于高质量、标准化的数据，更准确地预测单个集装箱的滞留时间。

通过在真实集装箱码头数据上进行的大量实验表明，与传统未使用标准化信息的模型相比，该方法在预测误差上取得了显著降低。将改进后的预测结果应用于集装箱堆存策略，能够有效减少堆场内的翻箱倒柜操作次数，从而实证了生成式AI在提升码头运营效率方面的潜力。总体而言，这项研究为生成式AI在港口物流领域的应用提供了技术和方法论上的见解，展示了其通过数据标准化解决实际业务难题的有效性。