在世界经济全球化的环境下,航运成为国际贸易最主要的运输形式之一,国际航运业承担着约90%的世界贸易量。随着世界经济的飞速发展,航运业呈现出巨大变化,船舶的数量、种类不断增长,新的航线不断涌现,应运产生了许多热点水域。船舶数量及航运线路的增多虽然使航运贸易越来越繁荣,但同样会使热点水域的航道拥挤,负载增大。相应由于船舶自身问题以及人为因素也会导致事故增多,严重威胁着船舶人员的生命和财产安全。因此,通过历史船舶的航行轨迹数据来预测未来的船舶轨迹,成为确保水域内船舶安全航行的关键。随着AIS(Automatic Identification System)系统的推广与普及,船舶AIS轨迹数据可获得性提高,可采集到的AIS数据更加丰富,为船舶轨迹预测提供了条件基础。本文分析总结了船舶AIS轨迹数据的相关特点与结构,使用机器学习的相关方法,建立了船舶轨迹预测模型,对船舶未来轨迹进行了预测。本文主要研究工作包括:(1)数据补全及异常处理方法研究。以AIS原始数据为基础,进行数据补全与异常数据处理工作。(2)船舶轨迹预测的聚类再回归方法研究。结合分类思想,通过对轨迹样本使用k-medoids方法聚类,在每个类中进行回归预测,有效减小轨迹样本之间的差异性。实验结果验证,聚类再回归方法可以提高预测精准度。(3)改进豪斯多夫轨迹相似度度量方法研究。本文根据传统豪斯多夫距离度量方法的原理,提出了改进后的豪斯多夫距离度量方法,改进后的方法由传统方法的点到点的计算改为了点到线段距离的计算。通过实验验证,验证了改进后的度量方法可以有效提高聚类质量。(4)模型集成方法研究。结合Stacking思想与加权集成思想,本文提出了一种基于XGBoost、Light GBM、LSTM的模型集成方法,该方法增大了模型之间的差异性,增强了泛化能力。实验结果验证,该模型集成算法可以有效提高预测精度。