近年来,民用航空产业进入到了一个高速发展期,未来的空中交通将越来越密集,空中交通管理正成为一个日益重要和复杂的研究领域。4D航迹预测是航空运输系统的核心要素,旨在提高空中交通的运行能力和可预测性,精确的航迹预测可以有效解决空域资源紧张的问题,并在冲突探测与解脱、协同管制等领域具有重要意义。随着数据挖掘与人工智能技术的飞速发展,越来越多的历史航迹数据可用于空域态势分析和监控,将其有效运用于智能空管系统已经成为必然趋势。目前,应用于4D航迹预测的方法主要有两种:基于物理模型的传统预测方法和基于单一网络的机器学习方法。前者以空气动力学模型为主,对空域态势等外在环境的不确定性缺乏考虑;后者构建的网络模型较为单一,且在很大程度上忽略了航迹数据本身所具有的时间序列特性。因此,本文提出了一种基于轨迹聚类和LSTM的航迹预测模型,具体工作和贡献如下:首先,通过采集、清理和分析ADS-B数据,得到初始历史航迹数据样本集。其中包括,利用爬虫技术获取历史航迹数据,依据ASTERIX CAT 062标准完成对雷达报文数据的解析,对航迹中存在的包含字段值缺失、记录重复和异常值等情况的航迹点数据进行筛选和剔除,通过对历史航迹数据中包含的所有机场分布以及经纬度、高度、航向、速度和垂直速度特征进行可视化分析发现,上述特征值的变化与航迹趋势变化之间有着极强的关联性,可用于模型的输入特征。然后,针对现有的仅考虑二维位置特征的轨迹聚类和单一方法预测模型的问题,构建了一种包含经度、纬度和高度三维位置特征在内的基于DTW的聚集型层次聚类模型,并在此基础上,搭建了基于Stacked LSTM、基于Bidirectional LSTM、基于CNN LSTM和基于Conv LSTM的四种航迹预测模型;通过对历史航迹进行轨迹聚类,得到的分类结果可以用来在预测航迹时对当前航迹计算一个与航迹类别相关的先验知识,并作为特征添加到预测模型中,以提高预测精度。最后,构建实验环境,完成聚类和预测模型的仿真验证。对航迹样本集进行归一化和标准化操作,根据聚类和预测模型的输入条件,构建聚类模型样本集和预测模型样本集;针对聚类和预测模型的输出结果,提出DBI和DVI两个聚类模型评估指标以及水平、垂直和时间三个预测模型评估指标;将聚类样本集输入到两种聚类模型中,分析记录的实验结果发现,相对二维轨迹聚类而言,三维聚类结果中的DBI值更小,DVI值更大,证明三维轨迹聚类比二维轨迹聚类有更精确的航迹分类效果;将聚类结果和预测样本集输入到预测模型中进行多组对比实验,比较在测试集上的预测结果发现,输入三维聚类结果后的基于Bidirectional LSTM和基于Conv LSTM的航迹预测模型在各项指标中对应的误差值较小,证明本文提出的基于轨迹聚类和LSTM的航迹预测模型精确度高于对比模型。