随着海事业的蓬勃发展,海洋运输在世界物流体系中占据了重要的地位,贸易量的大幅增长造成了在重点水域和航道上船舶的密度越来越大,有效地监督和管理在航船舶,避免海上交通事故的发生势在必行。轨迹预测作为船舶异常检测、碰撞规避等其他研究方向的基础,准确且高效地预测出船舶未来的轨迹对降低海上事故发生率、提高监管部门的管理水准具有重要意义。本文针对航迹预测这一热点问题,从海量AIS原始数据出发,构建数据处理模型,完成由AIS原始数据到航迹序列的转换,其中涉及AIS原始数据的解码、数据清洗、航迹提取及分割、航迹缺失值的插值处理等关键步骤。在所构建的数据集上,采用BP神经网络、极限学习机和长短期记忆模型着手构建航迹预测模型并进行航迹预测任务实验。实验结果表明,基于BP神经网络、极限学习机和长短期记忆模型构建出的预测模型在经度、纬度、航速及航向的预测中,普遍能达到较高的性能指标。BP网络简单但由于其梯度消失及易陷入局部最优解的缺点,在三种模型中预测精度和稳定性最差,长短期记忆模型能有效解决时间维度上的长期依赖问题,从而在性能上表现最优,极限学习机模型在性能上略高于BP模型,却又不及长短期记忆模型,极限学习机的优势在于能大幅度降低训练时间。长短期记忆模型在时间维度上捕获前后连续航迹点之间的依赖关系,性能相比于BP网络和极限学习机而言有了明显的提升,但是长短期记忆模型对航迹序列中变量之间的关联性关注度不高,即空间维度上特征变量间的依赖关系表征能力有限。为了进一步提高航迹预测模型的预测性能,借助于图神经网络在表征空间依赖关系方面的强大能力,本文尝试采用图神经网络去构建航迹序列的预测模型,设计图学习模块用于解决在图神经网络处理多变量时间序列的过程中所存在的外部图结构不确定和图形结构需要自适应变化的问题,并实现时间卷积模块和图卷积模块分别对多变量时间序列进行时间表征和空间表征,构建出可以用于处理航迹序列的图神经网络框架。实验结果表明,构建的图神经网络模型可以用于航迹预测,并且由于综合考虑了多变量时间序列的时间依赖关系和空间依赖关系,模型的预测性能相比于长短期记忆模型而言更加优良。在针对经度、纬度、航速和航向的预测任务中,四种特征的整体平均绝对误差下降了5.65%,并且在预测稳定性上,也明显优于长短期记忆模型。为了进一步验证图神经网络模型结构设计的合理性,倡导了针对模型内的结构中超参数的验证选择实验,综合对比出图神经网络框架的最优结构,并证明了所构建的图神经网络框架的结构合理性。