一种基于大语言模型迁移的机场短期负荷预测方法

本发明提出了一种基于大语言模型(LLM)的机场短期负荷预测方法。该方法通过归一化原始时间序列数据，并运用PCA技术降维，实现数据的有效预处理。接着，采用跨模态知识蒸馏技术将数据嵌入LLM的潜在表示空间，利用多头自注意力和LoRA技术提取特征，对齐时间序列与自然语言模态。通过构造提示提供上下文信息，进一步优化模型对数据的理解。最终，结合静态和动态知识，使用文本‑时间双分支结构增强预测准确性和泛化能力。本发明的设计方案能够有效处理具有高不确定性和复杂性的机场负荷数据，与传统深度学习方法相比，本方法在结合局部特征和全局特征方面具有明显优势，克服了处理复杂、高维数据时的局限性，显著提高了短期负荷预测的准确率。