Thunderstorms are both dangerous as well as important rain-bearing structures for large parts of the world. The prediction of thunderstorm trajectories is however difficult, especially in tropical regions. This is largely due to their smaller size and shorter lifespan. To overcome this issue, this thesis investigates how well a neural network composed of long short-term memory (LSTM) units can predict the trajectories of thunderstorms, based on several years of lightning strike data. The data is first clustered, and important features are extracted from it. These are used to predict the mean position of the thunderstorms using an LSTM network. A random search is then carried out to identify optimal parameters for the LSTM model. It is shown that the trajectories predicted by the LSTM are much closer to the true trajectories than what a linear model predicts. This is especially true for predictions of more than 1 hour. Scores commonly used to measure forecast accuracy are applied to compare the LSTM and linear model. It is found that the LSTM significantly improves forecast accuracy compared to the linear model. / Åskväder är både farliga och livsviktiga bärare av vatten för stora delar av världen. Det är dock svårt att förutsäga åskcellernas banor, främst i tropiska områden. Detta beror till större delen på deras mindre storlek och kortare livslängd. Detta examensarbete undersöker hur väl ett neuralt nätverk, bestående av long short-term memory-lager (LSTM) kan förutsäga åskväders banor baserat på flera års blixtnedlslagsdata. Först klustras datan, och viktiga karaktärsdrag hämtas ut från den. Dessa används för att förutspå åskvädrens genomsnittliga position med hjälp av ett LSTMnätverk. En slumpmässig sökning genomförs sedan för att identifiera optimala parametrar för LSTM-modellen. Det fastslås att de banor som förutspås av LSTM-modellen är mycket närmare de sanna banorna, än de som förutspås av en linjär modell. Detta gäller i synnerhet för förutsägelser mer än 1 timme framåt. Värden som är vanliga för att bedöma prognosers träffsäkerhet beräknas för att jämföra LSTM-modellen och den linjära. Det visas att LSTM-modellen klart förbättrar förutsägelsernas träffsäkerhet jämfört med den linjära modellen.