计算机应用研究

作者：罗恺玮,周激流,

单位：四川大学计算机学院,成都610065；

关键词：飞行轨迹预测,大语言模型,深度学习,指令微调,思维链,

基金：国家自然科学基金资助项目(62371325)；；

飞行轨迹预测是空中交通管理系统中的关键任务，深度学习方法已在该领域取得显著进展，然而现有方法通常以黑盒方式处理数据，导致预测结果缺乏可解释性。大语言模型（LLMs）擅长文本理解和生成，具备强大的思考和推理能力，但其在飞行轨迹预测中的应用尚未得到充分探索。为此，提出一种将轨迹预测任务转换为语言建模的方法FTP-LLM，首次探索了大模型在该领域的潜力和可行性。具体而言，首先从飞行数据中提取时空特征，并结合领域相关的提示词模板，构建出一个指令微调数据集。为了增强模型的可解释性和透明性，提示词中融入了思维链（CoT）推理过程。在实验中，对多个大模型进行微调以探究其在轨迹预测任务中的表现，并进一步分析了其在少样本场景下的泛化能力。实验结果表明，相较于深度学习方法，大模型在轨迹预测任务中展现出一定的性能提升，其中Llama 3.1模型在整体预测精度上表现最优，单步和多步（4步和8步）预测的平均误差分别降低7.16%、10.71%和10.15%。

来源：2025年第12期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第12期