21世纪被称作为“海洋的世纪”,航行安全与领海主权问题正在深刻地影响着各国的运输、贸易、资源和战略部署。因而,无论是在远洋适航场景还是近海活动中,对各类舰船进行有效监测和管理势在必行。位置预测旨在精准且高效地预测出目标舰船下一步的轨迹,是舰船异常状态检测、航线控制及危险行为判别等衍生任务的基础。该研究对实时收集舰船动态信息,保障领海区域性安全具有重大科学意义。本文以舰船位置数据的内在特征为主线,分别从常规的远洋场景和不确定性较强的近海场景出发,深入探讨循环神经网络在时空序列预测任务中的应用,并就超长稠密序列及低秩稀疏序列的预测方法提出改进思路。论文主要工作内容如下:通过AIS舰船数据集的可视化分析,还原真实舰船活动轨迹,总结归纳出数据的分布规律。结合任务需要和特点,从凝练舰船状态属性的角度完成数据清洗、序列编码和缺失值补充等预处理工作。此外,依据实验目标,分别构建AIS超长稠密序列数据集和AIS低秩稀疏序列数据集,用于模型验证和评价。面向超长稠密序列,设计了一种基于时空窗口循环神经网络的位置预测模型。该模型利用滑动窗口将序列长依赖问题转化为局部序列的特征抽取问题,在此基础上优化窗口连续时间段内的时空、速度信息捕捉方法来进一步提升预测的精准性。针对传统RNN类模型无法并行计算的劣势,所提模型基于多头注意力框架,有效改善了计算复杂度。实验结果表明,此方法能够克服长依赖序列的梯度消失问题,兼备预测精度和计算效率的优势,展现高效的位置预测效果。面向低秩稀疏序列,提出了一种基于自注意力机制的双向门控单元位置预测模型。考虑到数据稀疏与关键信息遗漏对目标行为模式挖掘的影响,所提模型利用双向特征传播结构,挖掘位置点间的语义联系,同时使用动态数据增强方法共享相似的历史特征依赖。受人类视觉机制启发,模型还加入了聚焦源端序列的自注意力加权层,用以筛选区分重要位置特征。多组实验证明,该方法很好地缓解了数据稀疏性问题,且在不同类型数据集上表现出良好的预测稳定性和泛化性。