En entornos marinos complejos, los buques inteligentes requieren un alto nivel de percepción dinámica para procesar múltiples tipos de información y mitigar los riesgos de colisión. Para garantizar la seguridad del tráfico marítimo y mejorar la eficiencia de la información de navegación, la predicción de trayectorias de los buques es crucial para los Sistemas de Identificación Automática (AIS). Este estudio presenta una Red de Convolución Gráfica Mamba (GC-MT) que utiliza datos de AIS para predecir trayectorias de buques. Para capturar las características de interacción del movimiento, empleamos una Red de Convolución Gráfica (GCN) para construir un grafo espaciotemporal que refleja las relaciones de interacción entre varios buques dentro del flujo de información marítima. Además, se extrajeron características espaciotemporales de alto nivel utilizando una Red Neuronal Mamba (MNN) para incorporar dinámicas relacionadas con el tiempo. La validación contra datos históricos reales de AIS demuestra que el modelo propuesto logró mejoras de aproximadamente el 35% y el 28% en el Error de Desplazamiento Promedio (ADE) y el Error de Desplazamiento Final (FDE), respectivamente, en comparación con el modelo base líder. La capacidad predictiva del método propuesto demuestra su efectividad para mejorar la seguridad de la navegación marítima en un entorno de envío con múltiples fuentes de información.