La predicción de trayectorias sirve como un requisito previo para operaciones futuras basadas en trayectorias, reduciendo significativamente la incertidumbre de la información sobre el movimiento de aeronaves dentro del espacio aéreo al pronosticar científicamente las posiciones tridimensionales de las aeronaves durante un cierto período. Como puntos de convergencia en la red de aviación, el espacio aéreo terminal de los aeropuertos exhibe las condiciones de tráfico más complejas en toda la red de rutas aéreas. Tiene influencias e interacciones mutuas más fuertes entre las aeronaves en comparación con la fase en ruta. La investigación actual típicamente utiliza la información de series temporales de trayectorias de una sola aeronave como entrada para predicciones posteriores. Sin embargo, a menudo carece de consideración de las interacciones espaciales a corta distancia entre múltiples aeronaves en el espacio aéreo terminal. Esto resulta en una brecha en el estudio de la predicción de trayectorias de aeronaves que acopla características espaciotemporales. Este artículo tiene como objetivo predecir las trayectorias en cuatro dimensiones de las aeronaves en el espacio aéreo terminal, construyendo un modelo de predicción Spatio-Temporal Transformer (ST-Transformer) basado en mecanismos de atención temporal y espacial. Utilizando datos de trayectorias de aeronaves de radar del espacio aéreo terminal del Aeropuerto Baiyun de Guangzhou, los resultados indican que el modelo ST-Transformer propuesto tiene un menor error de predicción en comparación con los modelos de predicción de aprendizaje profundo más utilizados. Esto demuestra que el modelo puede integrar mejor la correlación de la secuencia temporal de las características de la trayectoria y la información potencial de interacción espacial entre trayectorias para una predicción precisa.