海运在世界上发挥着重要作用,但是随着很多沿海和港口的水域交通密集,状况复杂的情况日益严重,海上交通事故频发问题亟待解决。因此,探索船舶航行规律和航迹可靠性预测对船舶航行的安全保障、航迹规划和风险预警具有重要意义。从卫星捕获自动识别系统信息能够从船上接收导航信息,例如位置、航向、速度、目的地等,为船舶的跟踪预测提供了信息基础,大大增强了海上监视能力。本文针对基于自动识别系统信息的船舶航迹预测进行研究,主要内容包括:(1)提出了一种基于优化BP神经网络的船舶航迹预测算法。该算法针对BP神经网络初始权值和阈值的随机性和易陷入局部最优化等问题,提出分别采用遗传算法、粒子群算法、蚁群算法、差分进化算法和遗传粒子群混合算法来优化BP神经网络的初始权值和阈值,使预测模型的训练达到全局优化的状态。仿真结果表明,优化后的BP神经网络算法预测精度得到明显的提高,其中遗传和粒子群混合算法优化后的BP预测效果最好。(2)提出了一种基于优化自适应网络模糊推理系统的船舶航迹预测算法。该算法利用遗传算法和粒子群算法查找自适应网络模糊推理系统模型的最优高斯隶属函数参数,并能解决自适应网络模糊推理系统梯度调整部分的局部最优化问题。仿真结果表明,优化后的自适应网络模糊推理系统预测精确度得到很大提高,其中粒子群算法优化后的自适应网络模糊推理系统的预测精确性较高,其经纬度预测均方误差分别为4.1109e-6和3.858e-6。(3)提出了一种基于卷积神经网络和双向长短时记忆模型的船舶航迹预测算法。该算法通过卷积神经网络提取船舶数据的潜在特征,提高了输入数据的有效性。再通过双向长短时记忆模型综合考虑过去和未来信息的影响,训练样本数据,形成期望的输入-输出映射关系,进而预测船舶未来的航行轨迹。仿真实验表明,该算法的预测性能优于长短时记忆模型,且二者的时延估计非常相近。