水路运输是各国经贸往来的主要运输手段,具有承载量大、费用低、范围广等特点。近年来,水上交通事故、走私活动等状况呈现出不断上升的趋势,安全状况不容乐观。为了更好实现水域通航状况的监管,避免碰撞、搁浅、触礁等事故发生,有必要根据已知的历史位置信息来预测目标船的航迹,从而推断未来一段时间的船舶位置信息,因此,准确有效地预测船舶航向非常重要。在船舶航迹预测研究方面,深度学习预测方法被广泛采用,它是一种以人工神经网络为架构,对数据进行表征学习的算法,具有非线性、自适应性、自学习能力。由于船舶航迹预测的实时性要求,预测时大多采用单一模型算法,如卷积神经算法(Convolutional Nerual Networks,CNN)、长短期记忆神经网络(Networks-Long Short Term Memory,LSTM)算法等,具有反应速度快、模型简单等优点,目前由于水上交通环境日益复杂,单一模型在准确度方面已经很难满足使用要求,并且为如何解决船舶航迹预测的实时性与准确度的矛盾提出了挑战。在混合模型算法对于前后事物有关联的预测研究方面,应用最多的是CNN-LSTM模型,融合了 CNN和LSTM的优点,使得识别或预测更加准确,被广泛应用于语音识别、人体行为识别、文本图像分类等,本文设计了一种基于船舶航迹预测的CNN-LSTM混合模型算法,通过对AIS输入数据集分块标签、Adam函数优化、Dropout防止过拟合等方式提高模型的实时性,解决单一模型在船舶航迹预测的实时性与准确度矛盾的问题。最后配以长江货船AIS轨迹数据进行仿真验证,在RMSE评价标准原则下,基于一维CNN-LSTM的组合模型比单一模型更好,运行时间明显短于LSTM模型,运行时间虽然和CNN模型接近,但准确度明显高于CNN模型模型,综合之下,本文的混合模型预测的效果最优。