En este trabajo, exploramos la viabilidad de utilizar una arquitectura de pronóstico de series temporales basada en transformadores, conocida como el Transformador de Fusión Temporal (TFT), para la detección de anomalías utilizando datos de seguimiento en hilo de la Plataforma de Datos de Transporte (TDP) de la Corporación MITRE y datos de vuelo digitales. La arquitectura TFT tiene la flexibilidad de incluir tanto datos multivariantes que varían en el tiempo como datos categóricos de fuentes de datos multimodales y realizar predicciones de salida única o de múltiples salidas. Para la detección de anomalías, en lugar de entrenar un modelo TFT para predecir los resultados de eventos específicos de seguridad en la aviación, entrenamos un modelo TFT para aprender el comportamiento nominal. Cualquier desviación significativa de la previsión del horizonte futuro del modelo TFT para los parámetros de vuelo de interés en comparación con los datos de series temporales observados se considera una anomalía al realizar evaluaciones. Para las demostraciones de prueba de concepto, utilizamos un enfoque inestable (UA) como el evento de anomalía. Este tipo de enfoque de detección de anomalías con aprendizaje del comportamiento nominal se puede utilizar para desarrollar análisis de vuelo para identificar peligros de seguridad emergentes en datos de vuelo históricos y tiene el potencial de ser utilizado como un sistema de alerta temprana a bordo para ayudar a los pilotos durante el vuelo.