随着世界经济的全球化,海上航运交通流量逐渐增加。准确可靠的船舶航行轨迹预测,能够有效保障船舶的航行安全,对提高船舶交通管理水平具有重大意义。由于船舶自身的运动特性和外在的环境因素,船舶航迹具有非线性、随机性、趋势性和周期性四个特点,导致船舶航迹预测具有较大的难度。目前的船舶航迹预测仍存在以下问题:一是传统的数学建模困难且预测误差较大;二是轨迹数据量大且维度高,使得特征提取十分困难;三是影响船舶航迹的因素过多,大部分模型只探讨了船舶自身运动对航迹的影响。针对以上问题,为了能在复杂的环境下,使用模型训练出符合真实场景的航行模型,准确预测出未来半分钟或一分钟的实际位置。因此,本文基于成山头AIS基站的船舶航迹数据集,提出一种基于seq2seq-Bi-LSTM网络短期航迹预测模型,并验证改进算法的有效性和预测的精确度。主要工作如下:首先,分析对比主流的传统航迹预测模型,包含多元线性回归、卡尔曼滤波器、灰色预测模型以及BP神经网络模型,分析传统建模预测困难的原因,发现BP神经网络在船舶航迹短期预测上具有相对较好的预测精度。其次,通过对AIS数据的预处理和可视化分析,得到船舶航迹数据的特点。并利用LSTM模型对比单输入值与多输入值对船舶航迹短期预测模型的影响,前者只输入经纬度,后者还增加航速、航向等输入值。验证了LSTM比BP神经网络具有更好的预测精度。同时发现,多输入值没有损失预测模型精度,还增加了船舶预测模型的适应性和稳定性。再次,基于LSTM的船舶航迹短期预测模型,探讨迭代次数对三种类型不同的船舶航迹数据预测结果的影响。由实验结果可知随着迭代次数的增加,均方根误差呈指数递减,精度呈指数递增,直到某个阈值后,精度增加不明显。同时得出船舶的体积与预测精准性就成反比的结论,验证静态数据对航迹预测的影响。最后,提出一种基于seq2seq-Bi-LSTM网络的船舶航迹预测模型,详细阐述了该改进模型的基础原理和设计过程。考虑采用双向数据交换机制进行改进,并采用seq2seq模型将AIS数据模型转化为可简单实现的LSTM模型数据处理序列。通过与BP、LSTM神经网络模型进行对比实验,发现改进算法在最大值和均方误差两项指标上拥有相对较高的预测精确度,并且验证了改进算法的有效性的性能和计算效率优势。