随着科技革命与产业变革的不断深化,我国正处在历史性跨越的新阶段,构建“国内国际双循环”的新发展格局对交通运输水平提出了更高要求,作为综合交通运输的枢纽,我国港口正处于数字化转型的关键时期,众多传统码头纷纷加入自动化改造的行列。其中,对集装箱码头的自动化改造要求对设备进行全面信息化,但码头环境高度动态变化,大型船舶、装卸设备等会对信号产生干扰,进而对码头内部无人集卡等水平运输设备的实时精确定位造成影响,在轨迹数据采集遇到困难时,需要采用有效手段对其进行实时补全。本文通过梳理国内已建或在建自动化集装箱码头的布置型式,总结其水平运输系统智能化改造的规律与特征,明确了无人驾驶集装箱卡车在自动化码头中的应用与发展趋势。在此基础上,构建码头仿真模型,通过仿真实验模拟无人集卡作业时的行驶轨迹,实现对集卡轨迹的实时采集与储存。对描述集卡运行轨迹的数据特征标签进行提炼,构建了历史轨迹训练数据集;基于长短期记忆（Long Short-Term Memory,简称LSTM）神经网络,构建无人集卡轨迹预测模型,通过对历史轨迹数据进行训练与学习,预测未来一段时间内的集卡行驶路径;基于模型实验对网络结构与参数进行优化,并以某改造自动化集装箱码头为研究对象进行实例分析。结果表明,本文的轨迹预测模型可以较好地对多种场景下的集卡轨迹数据进行补全,能够满足自动化码头对信息采集的需求。本研究成果可以为传统集装箱码头的智能化改造提供助力,有助于保证水平运输环节的信息采集全面性,提升集卡轨迹数据质量,为无人集卡在自动化集装箱码头的进一步应用提供科学的数据处理手段。