摘 要船舶航迹预测是海上交通监管、碰撞预警和港口调度的重要技术支撑。传统的航迹预测方法主要基于运动学模型或循环神经网络在处理长序列依赖和复杂运动模式时存在精度不足的问题。本文提出一种基于改进Transformer模型与Kalman滤波的船舶航迹预测方法。在Transformer架构基础上提出三个关键改进(1)相对位置编码注意力机制(RPE-Attention)通过引入距离衰减偏置增强对时序局部性的建模能力(2)门控线性单元前馈网络(GLU-FFN)利用门控机制自适应筛选特征信息(3)正弦与周期混合位置编码兼顾全局位置感知与周期性运动模式建模。此外将自适应Kalman滤波器作为后处理模块对模型预测轨迹进行平滑去噪。在仿真AIS数据集上的实验表明改进Transformer模型相比标准Transformer在RMSE上降低25.4%ADE降低22.3%FDE降低22.5%结合Kalman滤波后整体RMSE进一步降低15.2%。消融实验验证了各改进点的有效性其中相对位置注意力贡献最大。本研究为船舶航迹预测提供了一种高精度、可解释的解决方案。关键词船舶航迹预测Transformer相对位置编码门控前馈网络Kalman滤波AIS数据1 引言1.1 研究背景随着全球航运业的快速发展海上交通密度持续增加船舶碰撞、搁浅等安全事故频发。自动识别系统(AIS)作为船舶动态信息的重要数据源记录了船舶的位置、速度、航向等实时状态信息。基于AIS数据的船舶航迹预测技术能够提前预判船舶未来运动趋势为海上交通管理系统(VTS)提供决策支持在碰撞预警、航线规划和港口调度等领域具有重要的应用价值。传统的船舶航迹预测方法主要基于运动学模型(如匀速模型、匀加速模型)和统计模型(如卡尔曼滤波、ARIMA)。这些方法计算效率高但在处理复杂运动模式(如频繁变速、转弯)时预测精度有限。近年来深度学习方法在时序预测领域取得了显著进展长短期记忆网络(LSTM)和门控循环单元(GRU)被广泛应用于航迹预测但它们在捕捉长距离时序依赖时存在信息衰减问题。