随着海上交通量的迅猛增长,水域内的交通负担加重,航运事故时有发生,航运相关人员的生命财产安全受到巨大的威胁。为了提升水域交通管理和异常轨迹监管的服务质量,船舶交通服务系统主要采用船舶轨迹预测方案来监测船舶异常行为,维护水域交通安全。船舶的航线预测属于长期预测,而目前大多数轨迹预测模型对于长期轨迹预测的效果并不理想,且不适用没有路网束缚的海上交通情形,因此无法使用传统的轨迹预测模型来实现船舶轨迹的预测。轨迹数据挖掘模型的训练和测试需要大量的实验数据,由于船舶自动识别系统（Automatic Identification System,AIS）的数据精度高且数据量大,本文基于AIS数据利用机器学习和相似性度量方法,提出了一种船舶轨迹预测方案。为了提高船舶轨迹预测的准确率,本文提出了最长共享路径的概念,并基于此设计了基于最长共享路径的船舶轨迹预测方案。本方案主要包括两个模块:轨迹特征提取和轨迹预测。轨迹特征提取的工作主要分为两部分:第一个工作是提出了一种基于密度的轨迹特征提取算法,该算法基于密度聚类的思想,将轨迹段划分为若干个类,然后根据类内密度提取出每个类的核心点,以核心点作为轨迹的特征。第二个工作是提出基于LCSS的整段轨迹聚类算法,对第一个工作得到的轨迹数据进行聚类,并根据轨迹之间的差异性提取轨迹类内的核心轨迹,计算核心轨迹的支持度,以核心轨迹作为轨迹预测阶段的航线模板。在轨迹预测阶段,基于上述工作获得的航线模板,本文提出一种基于最长共享路径的轨迹匹配算法,使用该算法提取轨迹类内核心轨迹的最长共享路径,实现以最长共享路径为索引的轨迹匹配,以提高匹配效率;在轨迹预测部分提出了一种基于相似性度量和支持度的轨迹预测算法,以实现船舶轨迹的预测。本文使用长江武汉段的船舶轨迹数据进行了相关实验。在轨迹特征提取阶段对特征提取后数据的度量效果和数据处理的时空消耗进行了评估,实验结果表明本文提出的基于密度的轨迹特征提取方案可以有效的对轨迹数据进行压缩,降低数据处理的时空消耗;在轨迹预测阶段,将本文的轨迹预测方案与基于相似度的传统轨迹预测方法进行了对比,实验结果表明本方案的预测准确率优于基于相似度的传统轨迹预测方法,平均高出5%,并且结合基于时间段生成的轨迹匹配模板,本方案的船舶轨迹预测准确率可提升至80%。