高精度的船舶轨迹预测不仅能够避免海上碰撞事故，而且能够给水域未来的管理和规划提供决策基础，对提高水域安全水平和运行效率有重要作用。当前一些研究模型训练耗时且缺乏对潜在特征相关性的考虑。针对这些问题，本文提出了一种堆叠一维卷积神经网络（CNN-1D）和考虑潜在特征间相关性的船舶轨迹预测模型Stacked-CNN-Attention（SCA）。SCA。SCA不仅能够提取船舶轨迹时序的长时间依赖特征，而且能够对提取的潜在特征进行自注意力计算，显著提高了预测精度。使用舟山水域的船舶自动识别系统（Automatic Identification System, AIS）数据进行试验，设置采样间隔为30s，利用递归预测得到未来的8个轨迹点。将预测值与真实值进行对比，相比于基线模型，本文模型拥有最小的平均绝对误差（MAE）、均方误差（MSE）和模型训练时长。将这段话美化一下

高精度的船舶轨迹预测对于保障海上安全和提高水域运行效率具有重要意义。然而，现有的一些研究模型存在训练耗时长和未考虑潜在特征相关性等问题。为此，本文提出了一种名为Stacked-CNN-Attention（SCA）的船舶轨迹预测模型，该模型综合运用堆叠一维卷积神经网络（CNN-1D）和自注意力计算的方法，能够有效提取船舶轨迹时序的长时间依赖特征和潜在特征间的相关性信息，从而显著提高预测精度。在舟山水域的船舶自动识别系统（Automatic Identification System, AIS）数据的实验中，本文模型以30秒采样间隔递归预测未来8个轨迹点，并与基线模型进行对比。结果表明，SCA模型具有最小的平均绝对误差（MAE）、均方误差（MSE）和最短的模型训练时长，验证了其在船舶轨迹预测方面的优越性。