经济全球化加剧了货物、原材料和资源的跨境流动，导致国际贸易活动日益频繁（W. Xing等人，2023年）。作为全球商业的支柱，运输服务是不可或缺的，因为没有运输服务，国家之间的货物流动就无法实现（Baeza等人，2022年）。在各种运输方式中，海上运输仍然是主要选择，因为与航空或管道运输相比，它的成本显著较低，载货能力显著更高（Y. Li等人，2024年）。随着海上运输的发展，船舶交通量激增，受限水道内的互动变得更加频繁。因此，这导致了更大的交通压力和更高的拥堵及碰撞事故风险（Gan等人，2023年）。交通拥堵会降低运营效率并增加运输成本，而碰撞可能导致灾难性后果，包括人员伤亡、财产损失和环境污染（Liu等人，2025年）。这些挑战凸显了迫切需要先进的技术解决方案来支持主动的海上风险缓解。
船舶轨迹预测是解决这些问题的关键研究重点。通过分析历史船舶运动模式的变化，轨迹预测模型可以推断出未来的船舶位置，从而提前识别潜在的高风险遭遇（H. Li等人，2024年；Wang等人，2025年）。如图1所示，准确预测轨迹发展趋势使海事当局能够及时识别易发生碰撞的区域并采取及时干预措施。
基于位置的服务（LBS）和海上物联网（IoT）的最新创新进一步推动了这一领域的发展。自动识别系统（AIS）作为海上物联网的核心组成部分，提供了关于船舶导航、锚泊和系泊活动的高频动态和静态信息（Liang等人，2025年）。动态属性包括时间戳、地理坐标、地面航向（COG）和地面速度（SOG），而静态属性包括船舶类型、尺寸和海事移动服务标识（MMSI）（Shu等人，2024年）。这些丰富的AIS数据为数据驱动的船舶轨迹预测奠定了基础，支持了海上态势感知以及智能交通系统（ITS）在海洋环境中的更广泛发展（见图2）。
丰富的数据使得研究新的AI解决方案以预测船舶轨迹成为可能。深度学习（DL）（Shin和Yang，2025年）和神经网络（NN）（Deng等人，2025年）模型由于其捕捉大规模AIS数据集中嵌入的非线性模式的能力而成为船舶轨迹预测的突出工具。尽管DL通过更深更复杂的层扩展了传统NN的架构（Li等人，2025年），但一个共同的局限性仍然存在：大多数现有研究在目标区域的所有轨迹上训练单一预测模型。在船舶运动表现出多样结构模式的复杂水道中，将不同类型的轨迹混合在单一模型中可能会掩盖特定轨迹类型的独特特征，从而降低预测的准确性和稳定性。为了解决这一挑战，一些研究在模型训练之前采用了根据空间和时间模式对轨迹进行分类的聚类技术（Alam等人，2024年；Park等人，2021年；Yang等人，2022a）。
基于这一想法，本研究开发了一个两阶段预测框架。其目标是提高准确性、鲁棒性和可解释性。重点是在复杂的海上环境中预测船舶轨迹。在这种环境中，许多最先进的方法无法提供可靠的预测。所提出的框架由两个部分组成。首先是称为改进的基于密度的聚类方法（IDCMSA）的新颖轨迹聚类算法。其次是名为多源信息融合增强（MSIFE）网络的多源信息融合深度学习模型。这两个部分共同构成了IDCMSA-MSIFE轨迹预测框架。
本研究为推进船舶轨迹预测和解决海上智能交通研究中的空白提供了四个关键贡献：
(1)开发了一个集成的分层预测框架（IDCMSA-MSIFE）。
构建了一种新的两阶段轨迹预测方法。该框架首先进行轨迹聚类以减少数据异质性并提高聚类精度，然后对每个簇进行独立的基于DL的训练以增强预测可靠性。这种分层结构克服了现有单一模型方法的局限性。
(2)提出了用于船舶轨迹聚类的IDCMSA算法。
通过将每个轨迹通过多维缩放（MDS）映射到一个点，将这些点投影到密度矩阵中，并应用卷积来检测空间可达性关系，设计了一种新颖的聚类技术。具有密度可达性关系的轨迹被分组到同一个簇中。这种方法保留了基于密度的聚类的优势（例如，带噪声的应用程序的基于密度的空间聚类（DBSCAN）），同时解决了其缺点：（i）消除了对复杂超参数调整的需求；（ii）提高了对轨迹噪声的鲁棒性。
(3)开发了用于多源轨迹学习的MSIFE网络。
MSIFE模型充分利用了多源AIS信息、轨迹坐标、COG和SOG，通过基于注意力的特征融合机制。双向长短期记忆（Bi-LSTM）单元捕捉时间演变模式，而三个校正损失项增强了反向优化，使模型能够更好地学习复杂的轨迹动态并实现更高的预测准确性。
本文的其余部分组织如下。第2节介绍了船舶轨迹聚类和预测的文献综述，强调了激发提出该框架的现有研究空白。第3节介绍了关键定义，描述了AIS数据集，并解释了数据预处理程序。第4节详细阐述了IDCMSA和MSIFE的理论原理，包括所提出方法解决的现有方法的局限性。第5节报告了验证框架有效性的消融实验和比较实验结果。第6节总结了主要发现，讨论了实际意义，并概述了未来的研究方向。
