国际商贸的频繁往来,带动航运业的发展,使得越来越多的船只加入到水上运输中,让一些航道、港池等交通密集的水域交通更加繁忙,船只密度的增加使船舶之间的距离变小,增大了碰撞、搁浅等事故发生的可能性。为了减少海上事故的发生率,提高船舶航行安全,不仅相关部门需要进一步加强对船只航行过程进行监管引导,并且每一艘航行船舶也需要通过各种助航仪器设备了解本船及它船的航行趋势,从而进行合理的船舶操纵。而这一切的一个重要前提是预知船舶未来一段时间的运动趋势,包括航迹、航速,航向等船舶动态航行要素,其中航迹信息最为重要,因此出现了航迹推算、航迹预测方法来预知船舶的位置。在以建立船舶运动数学模型的航迹推算方法中,模型的建立需要用到较多的船舶固有参数及外界环境参数,而船舶参数会因船型和装载不同产生变化,外界环境更是实时的发生变化,因此模型没有很好的泛化性,难以应用到其他船舶。此外模型的使用也面临着计算复杂、只能用于船舶直线航迹推算等诸多问题,因此航迹推算在航海实践中操作过于繁琐、局限性强。神经网络的应用很好的解决了这一难题,使得航迹预测可以在不建立相关的数学模型就可预测船舶的轨迹,航迹预测通过收集到的航行信息时间序列数据导入已建立好的神经网络预测模型,通过模型的学习获得船舶的运动规律,该方法方便快捷、精确度较高,但同时众多研究也发现因各类神经网络模型学习能力存在差异。因此,建立模型的不同,其预测精度也会有着较大的变化。为了更加准确的学习到航行数据中的规律,提高航迹预测精度,保障船舶航行安全。针对航行数据时序性和非线性的特点,本研究提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合模型短期航迹预测方法,该方法结合了 CNN与LSTM网络的各自优点,将大量的历史航行信息作为输入,首先通过卷积神经网络提取数据特征,然后将数据特征以时序序列方式作为长短期记忆网络的输入数据,再进行船舶航迹的预测。由于CNN-LSTM模型中使用了卷积神经网络提取时间序列数据的潜在特征,为LSTM提供了有效的输入数据,从而提高了预测准确度,使用该方法对实船航行数据进行预测实验,并与经自适应粒子群优化的BP神经网络(SAPSO-BP)、LSTM等其他模型进行了实验对比,结果表明,CNN-LSTM预测模型比其他预测方法具有更高的预测精度;通过分析不同输入连续时刻数、CNN卷积层数、LSTM隐含层数对预测结果的影响,进而获得最佳预测模型,将确定的最佳预测模型进行基于完全航迹、压缩航迹的预测验证实验,均得到了更优的预测结果,表明CNN-LSTM模型同时具有较好预测稳定性。