长时程船舶轨迹预测在真实海洋环境下对避碰、交通管理和航线规划至关重要。然而，由于长程时间依赖关系以及海流、风、波浪等动态环境因素，实现准确预测颇具挑战。为解决这些问题，研究团队提出了一个分层两阶段框架，通过分层融合机制将粗粒度长期预测器与网格感知短期预测器相结合。该论文编号为 arXiv:2605.16442，提交于2026年5月15日，作者为 Ganeshaaraj Gnanavel、Tharindu Fernando、Sridha Sridharan 和 Clinton Fookes，隶属机器人学（cs.RO）分类，并交叉涉及人工智能（cs.AI）与机器学习（cs.LG）。
在方法设计上，短期分支在离散化的海上网格单元上采用时空图Transformer，以捕捉局部动态特征；长期分支则编码整体航行意图。两者通过分层融合机制协同工作，使模型既能把握近期细粒度的运动变化，又能维持对远未来航向的合理把握。这一双分支结构正是该框架应对长时程预测难题的核心思路。
此外，框架集成了一个环境模块，将海洋学参数纳入建模，包括表层海流、风矢量以及有效波高。该模块借助跨模态注意力和特征级调制，使模型能够针对不同海况做出自适应响应。同时，一个可学习的 Savitzky-Golay 平滑层被用于增强融合轨迹的时间连贯性，减少预测序列中的抖动与不连续。
在评估方面，研究团队使用澳大利亚船舶跟踪系统（CTS）西北区域的数据，并与哥白尼海洋服务（Copernicus Marine Service）产品对齐，采用3小时输入和10小时预测时程进行实验。结果显示，该框架在平均位移误差（ADE）上比当前最先进方法优25%，在最终位移误差（FDE）上优17%。消融研究进一步验证了各组成部分的贡献。论文全文以PDF及实验性HTML形式在arXiv公开，DOI为10.48550/arXiv.2605.16442，提交版本为v1，文件大小约4,677 KB。