海上运输的安全性和效率在很大程度上取决于对船舶轨迹的准确预测。多步预测是当前研究的热点，它能一次性给出未来多时刻的位置与速度。但是，现有的方法要么算法复杂、实时性差，要么精度滑坡，难以同时兼顾这两方面。为了解决这个问题，提出了MP-LSTM模型。TPNet是这个领域里的一个案例，它试图把轨迹当成多项式曲线来处理，并用CNN编解码器先定终点再定曲率。TPNet通过分类标签学习端点和曲率点，看似高效，但存在着一些问题。因为船舶状态变化连续且航道约束复杂，使用分类标签很难精准刻画船舶轨迹。这种方法难以一次性建模这些复杂的约束条件。所以就把分类端点改成回归端点。 这次研究中提出的MP-LSTM模型利用LSTM的“记忆”优势来捕捉船舶连续、平滑的位移变化。LSTM通过遗忘门、输入门和输出门组合，把时序信息存储在细胞状态中，适合处理时序数据。为了准确预测渡船轨迹，MP-LSTM采用了以下技术路线：首先对AIS原始数据进行“洗白”，去除噪声和不规则时间戳；然后在历史数据里寻找“历史孪生”，即位移相等、平均速度相近且瞬时速度波动小的轨迹；接着分别训练两个LSTM来处理经纬度方向的位移差；最后通过误差分布假设来量化预测结果的不确定性。 在长江江苏段进行实测时，研究选取了高频往返渡船的AIS数据，共1000个样本。这个研究覆盖了直线、转弯、加速和减速四种典型工况。结果显示MP-LSTM在FDE（平均欧几里得误差）和ADE（平均轨迹距离误差）两个指标上表现最佳；AE（平均绝对误差）与EKF-Δs分别位列第二和第三；LSTM-Δs、SVR-Δs和LSTM-s因误差累积或训练不足被甩在后面。 对于插值方法比较发现：直线段三种插值方法几乎重合；转弯段三次Hermite样条出现明显折角，而三次样条插值依然平滑；加速/减速段差距微小但三次样条依然占据优势。因此可以认为：选择三次样条插值对于船舶轨迹预测来说更稳更准。 总之，MP-LSTM将历史数据与实时数据结合起来使用回归替代分类和LSTM稳定长记忆还有三次样条插值抹平噪声的方法在长江江苏段实测中表现优异。未来若能在缺乏历史轨迹的陌生水域加入半监督或自监督学习技术，该算法将更加通用和实用。