问题——多步预测需求上升，传统方法难兼顾精度与时效。 随着航运密度提高、智能航运应用加速落地，“船舶当前位置与未来一段时间将如何运动”已成为保障通航安全、提升调度效率的关键。相比单步预测，多步预测可一次输出未来多个时刻的位置、速度等信息，便于避碰决策、航道管制与靠离泊协同。但实际业务中，多步预测常遇到两类矛盾：一类方法模型复杂、推理速度受限，难以支撑实时应用；另一类方法计算更快，却容易在连续预测中出现误差累积，尤其在转弯、加减速等工况下精度明显下降。 原因——将连续运动“离散化”带来刻画偏差，航道约束难以被粗放建模。 部分框架将船舶轨迹拟合为多项式或样条曲线，并通过卷积网络等结构先估计终点再拟合曲率，对应的参数以分类标签方式学习，看起来训练稳定、计算效率也较高，但容易落入“分类陷阱”。一上，船舶操纵与位移变化具有连续、平滑的特征，更接近连续分布，用离散类别逼近连续量会丢失细节，临界转向或速度微调时误差更容易被放大。另一上，船舶航行受航道边界、交通组织、限速与会遇规则等多重约束，仅靠图像式特征提取难以完整表达这些“硬约束”，在复杂水域更容易出现轨迹偏离与预测不稳定。 影响——预测误差直接传导至避碰与调度，放大安全与效率风险。 在高频渡运、狭窄航道或船流密集水域，轨迹预测偏差不仅影响安全边界评估，也会降低智能调度对时隙与队列安排的准确性。多步预测若在中后段失真，可能导致避碰提示滞后、速度建议不合理，进而影响通行效率，增加能耗与管理压力。因此，提升多步预测的稳定性、可解释性与实时性，已成为智能航运的重要研发方向。 对策——以“回归建模+时序记忆+数据治理+不确定性量化”构建可用方案。 针对上述痛点，新方法利用时序网络的记忆能力捕捉连续运动规律，并将关键端点估计从分类改为回归，使模型更贴近轨迹的连续本质。技术路径主要由四个环节协同构成： 第一，强化AIS数据预处理。针对AIS原始数据的噪声、缺测与时间戳不规则等问题，采用三次样条插值对时间轴对齐，并结合中值滤波剔除异常点，在保留运动趋势的同时减少噪声干扰，为后续预测提供更稳定的输入。 第二，引入“历史孪生”作为目标参考。在历史轨迹库中筛选与当前状态高度相似的轨迹片段，综合位移水平、平均速度接近程度及瞬时速度波动等条件，选取对未来演化更具参考价值的样本。该思路利用航道内渡船运行的重复性与规律性，以历史数据降低预测漂移，尤其适用于固定航线、高频往返场景。 第三，构建分方向位移预测的时序模型。考虑经向与纬向位移可分别建模，方法分别训练两个时序网络预测不同方向的位移增量，并将位移、速度、航向与位置等特征归一化后输入，使模型聚焦“增量变化”，以降低长步预测中的误差累积，并提升在转弯、加减速阶段的适应性。 第四，开展不确定性量化服务决策。基于误差统计假设进行方差估计，并综合目标点与支撑点的不确定性给出置信区间，向使用方提供可量化的“可信程度”。该机制使预测结果不再只是单一轨迹输出，而成为可评估风险的决策要素，为交通组织与安全预警预留必要余量。 前景——实测验证显示优势明显，通用化能力有望深入提升。 在应用验证中，研究选取长江江苏段高频往返渡船AIS数据，构建约1000条等时长样本，覆盖直线航行、转弯、加速与减速等典型工况。结果显示，新方法在平均位移误差、终点误差等关键指标上整体更优，在多步预测场景中兼顾精度与稳定性。不同插值方案对比也表明，在短时转弯等对平滑性要求更高的阶段，三次样条插值更能保持轨迹连续性，从数据层面为模型预测提供更可靠的基础。 业内人士认为，面向陌生水域或历史数据稀缺航段，后续可探索半监督或自监督等学习策略，提升方法在跨航段、跨船型条件下的泛化能力。同时，若进一步融合电子航道图、交通流特征以及气象水文等多源信息，有望在复杂约束条件下提升预测的可解释性与可控性，为智能航运提供更稳健的技术支撑。
船舶轨迹预测表面上是算法问题，背后关联着航运安全与交通效率；通过回归建模贴近连续运动规律，以历史经验提升可用性，并用不确定性提示为决策留出安全余量，这类强调场景适配、可解释与可部署的探索，正在推动智能航运能力走向更可靠的落地。随着数据治理、规则建模与跨水域泛化能力持续完善，多步预测有望从“指标领先”走向“治理增效”，在更大范围内释放安全与效率收益。