近年来,由于移动设备、全球定位系统的普及以及基于位置服务的发展,轨迹数据积累的越来越多。基于海量轨迹数据开展的数据挖掘、数据分析的研究工作也逐渐受到关注。在海洋交通领域,船舶轨迹的预测在路径规划、避免碰撞等应用场景中具有重要意义。例如,通过轨迹预测技术可以预测船舶将要经过堵海域,此时就可以提前调整行驶路线,避开拥堵路段。轨迹预测可以分为非路网约束和路网约束条件下的预测,非路网约束条件下的预测存在一定局限性,无法有效利用路网信息进行更加准确的预测。海洋上没有人为建造的道路边界,但船舶也是按一定的航道航行,可以从众多船舶的轨迹中提取出航道并构成航道网络,为此本文对基于海洋航道网络约束条件下的船舶轨迹预测展开研究。本文的主要工作如下:首先,分析了原始船舶轨迹数据的特点及存在的问题,提出了一种基于海洋时空大数据的预处理方法。该方法基于Map Reduce并行计算框架,对原始数据进行采样、去噪、分段、插值,提高了数据的质量。其次,提出了一种基于Delaunay三角剖分的海洋航道网络构建方法。该方法可以提取海洋航道网络,再通过邻接矩阵表示出网络结构中路径节点之间的邻接关系。实验选用渤海区域的航道多边形,构建的航道网络包括120个边和102个结点,边的总长度为3597.154km。该方法可以有效的提取并构建海洋航道网络并在平滑和完整程度上优于其他相关方法。然后,提出了一种基于海洋航道网络的船舶轨迹预测方法。分析了影响船舶航行的因素,选择LSTM(Long Short-Term Memory,长短期记忆网络)作为预测模型,预测航行中的船舶下一步将要经过的路段。实验选择了33037个长度为5的样本作为数据集,每个序列的前四个路段序列元素是待预测序列,第五个序列元素作为样本标签,并以6:2:2的比例将数据集划分训练集、验证集和测试集。训练好的模型在测试集上预测的精确率可以达到0.902,召回率为0.895,F1值为0.89。最后,实现了海洋航道网络构建及船舶轨迹预测的实验验证性原型系统,提供了数据预处理、航道网络构建、轨迹预测业务的操作及展示页面,并支持不同功能的参数调节。