LLM4Delay：基于大语言模型和飞机轨迹表示的跨模态适应飞行延误预测
机器学习
2026-04-13 v3 人工智能
计算与语言
摘要
飞行延误预测已成为空中交通管理（ATM）中的关键关注点，因为延误反映了系统中的不效率。本文提出了 LLM4Delay，一个基于大语言模型（LLM）的框架，用于从空中交通控制员监控飞机进入终端机动区域（TMA）后监控飞机的角度来预测飞行延误。LLM4Delay 设计用于整合来自空中交通管控的文本化航空信息，包括航班数据、天气报告和机场公告，同时整合多个轨迹以建模空域条件，形成全面的延误相关上下文。通过在实例级别上进行投影，有效地将多个实例级别的轨迹表示映射到语言模态，实现跨模态适应策略，该框架提高了延误预测准确性。LLM4Delay 在与现有 ATM 框架以及先前的时间序列到语言适应方法进行比较后，表现出优异的性能。这突显了文本和轨迹数据在预测中的互补作用，同时利用了来自预训练轨迹编码器和预训练 LLM 的知识。该框架的提出使预测能够随着新信息的可用性进行持续更新，表明其具有操作相关性。
引用
@article{arxiv.2510.23636,
title = {LLM4Delay: Flight Delay Prediction via Cross-Modality Adaptation of Large Language Models and Aircraft Trajectory Representation},
author = {Thaweerath Phisannupawong and Joshua Julian Damanik and Han-Lim Choi},
journal= {arXiv preprint arXiv:2510.23636},
year = {2026}
}
备注
Preprint submitted to IEEE Transactions on Intelligent Transportation Systems (T-ITS) for possible publication