A medida que la globalización y el rápido desarrollo económico impulsan un aumento en la demanda de transporte aéreo, la necesidad de mejorar la eficiencia y la seguridad en las operaciones de vuelo se ha vuelto cada vez más crítica. Sin embargo, el crecimiento exponencial en el número de vuelos ha exacerbado la congestión del espacio aéreo, creando un marcado contraste con la disponibilidad limitada de recursos de espacio aéreo. Este desequilibrio plantea desafíos significativos para la puntualidad de los vuelos y la eficiencia operativa. Para mitigar estos problemas, los modelos existentes a menudo se basan únicamente en datos de vuelos individuales, lo que restringe la amplitud y profundidad del aprendizaje de características. En este estudio, proponemos un innovador marco de Inverted Transformer para la predicción de trayectorias de aviación mejorado por la fusión de múltiples modos de vuelo. Este marco aprovecha entradas de múltiples vuelos y procesamiento de datos invertido para enriquecer la representación de características y optimizar la modelización de series temporales multivariadas. Al tratar toda la serie temporal de cada variable como un token independiente, nuestro modelo captura efectivamente las dependencias temporales globales y mejora el análisis de correlación entre múltiples variables. Experimentos extensivos en conjuntos de datos de trayectorias de aviación del mundo real demuestran la superioridad de nuestro marco propuesto. Los resultados muestran mejoras significativas en la precisión de la predicción. Además, la integración de datos de múltiples vuelos permite al modelo aprender patrones de vuelo más completos, lo que conduce a un rendimiento robusto en diversas condiciones de vuelo. Esta investigación proporciona una nueva perspectiva y metodología para la predicción de trayectorias de aviación, contribuyendo al desarrollo eficiente y seguro de los sistemas de transporte aéreo.