《Results in Engineering》：Synergistic Integration of Large Language Model and Machine Learning for Launch Vehicle Pricing Factor Analysis and Modeling
编辑推荐：
本研究提出了一种用于运载火箭定价分析的探索性框架，该框架将大型语言模型（Large Language Model, LLM）增强特征与机器学习方法相集成。通过LLM分析，从非结构化文本数据中提取了两个潜在定价因子——技术代际（Technological Gen
本研究提出了一种用于运载火箭定价分析的探索性框架，该框架将大型语言模型（Large Language Model, LLM）增强特征与机器学习方法相集成。通过LLM分析，从非结构化文本数据中提取了两个潜在定价因子——技术代际（Technological Generation）与竞争密度指数（Competition Density Index），将参数集从14维扩展至16维。研究方法结合了非线性最小二乘回归（Nonlinear Least Squares, NLS）与基于Optuna优化的极端梯度提升（eXtreme Gradient Boosting, XGBoost）集成建模，并辅以基于SHAP（SHapley Additive exPlanations）的特征重要性解释。在包含七个样本的留出测试集上，XGBoost-Optuna模型仅使用结构化特征时取得了0.9289的测试R2，而在加入LLM增强特征后为0.9021，证实LLM派生特征的引入并未提升预测性能。LLM特征消融研究进一步表明，与仅使用结构化特征的基线相比，未出现统计学上的显著改进（Wilcoxon检验p > 0.05）。七样本测试集仅能提供初步的、指示性的结果，不足以就模型的泛化能力得出确定性结论。因此，本研究的核心贡献在于方法论层面而非性能层面：研究建立了一条可复现的运载火箭定价因素探索分析流水线，在严格的训练/测试隔离与统计显著性检验下对该流水线进行了严谨测试，并如实报告了在当前样本量下LLM语义特征未提供可测量的改进——这为未来研究提供了透明的基线。该框架作为方法论流水线与探索性分析工具呈现；在缺乏大幅扩充的验证数据集与独立验证的情况下，其不适用于且不应被用于实际的运载火箭定价决策。
论文解读：大型语言模型与机器学习协同集成的运载火箭定价因素分析与建模
一、研究背景与问题提出
运载火箭作为航天领域的代表性产品，其定价策略直接关系到商业航天企业的可持续发展与市场竞争力。随着SpaceX等商业航天公司的迅速崛起，全球商业火箭发射市场规模持续扩大，发射服务定价已成为企业核心能力之一。SpaceX已将低地球轨道（Low Earth Orbit, LEO）发射价格稳定在约每公斤3000美元的水平，然而重量并非定价的唯一决定因素：定价过低可能导致企业亏损，定价过高则可能削弱市场竞争力。在此背景下，如何科学合理地制定单次发射服务的定价策略，成为新进入者与既有市场参与者共同面临的重大挑战。
现有航天项目成本与价格估算方法主要分为类比法、参数法和工程法三类。其中参数法基于数理统计，通过分析样本数据寻找运载火箭特征参数与成本/价格之间的相关性，并采用普通最小二乘回归（Ordinary Least Squares Regression, OLSR）等技术建立成本/价格与参数之间的关系。然而，现有参数化成本模型存在三方面共性局限：其一，方法论上主要依赖线性或弱非线性回归（OLS/NLS），难以捕捉运载火箭定价中多因素的非线性交互效应；其二，特征维度上过度依赖质量、功率等工程物理参数，忽视了市场竞争动态与技术代际变迁对定价的结构性影响；其三，应用范围上，现有工具或局限于NASA任务组合，或局限于特定航天器类型，缺乏面向商业发射市场定价的通用开放框架。
此外，传统的结构化数据仅能反映特定时间点的设备参数，无法编码火箭进入市场时的竞争态势信息，也无法捕捉技术迭代对定价的非线性影响模式。竞争密度不等同于某年活跃运营商的数量，因为简单计数忽略了市场份额集中度、颠覆性低成本竞争对手的进入时机以及定价策略的质性转变；技术代际也不是首发年份、比冲或级数的简单离散化，同年投入服务的两枚火箭在推进技术、材料与可重复使用性方面可能相差多个代际。这些信息分散于异构的非结构化文本来源中，无法从任何现有结构化运载火箭数据库中获取。
二、研究内容与核心结论
针对上述问题，研究人员提出了一种集成大型语言模型（LLM）与机器学习方法的运载火箭定价建模框架。研究将LLM语义增强特征引入定价模型，从非结构化文本中提取竞争密度指数与技术代际两个潜在定价因子，将参数集从14维扩展至16维。研究方法结合了非线性最小二乘回归（NLS）与Optuna优化的极端梯度提升（XGBoost）集成建模，并辅以SHAP特征重要性解释。在包含七个样本的严格分离测试集上，XGBoost-Optuna模型仅使用结构化特征时取得0.9289的测试R2，加入LLM增强特征后为0.9021，表明LLM派生特征的引入未提升预测性能。LLM特征消融研究的Wilcoxon检验p值均大于0.05，未发现统计学上的显著改进。研究的主要贡献在于方法论层面：建立了可复现的运载火箭定价因素探索分析流水线，在严格的训练/测试隔离与统计显著性检验下进行了严谨测试，并如实报告了当前样本量下LLM语义特征未提供可测量改进的透明基线。论文发表于《Results in Engineering》。
三、关键技术方法
研究人员采用四阶段方法框架：第一阶段利用大型语言模型（DeepSeek-R1 671B）处理非结构化任务文本，提取语义特征（竞争密度指数与技术代际），与原始结构化火箭参数整合；第二阶段采用皮尔逊（Pearson）相关分析与SHAP值进行特征重要性分析；第三阶段构建基于Optuna超参数优化的XGBoost回归模型；第四阶段将模型与基线模型（OLSR、NLSR）进行对比评估，并解释特征重要性以提炼管理洞见。数据样本为67枚一次性运载火箭的公开数据，价格统一折算至FY2021财年美元购买力。
四、研究结果
4.1 描述性统计分析
响应变量（FY2021单次发射价格）的统计描述显示：样本量为67，均值152.72百万美元，中位数70百万美元，标准差333.17百万美元，最小值2百万美元，最大值2000百万美元。均值约为中位数的2.2倍，呈明显右偏分布，标准差显著超过均值，反映样本内部极端异质性。约半数样本（Q1至Q3）集中于32.5至139.5百万美元区间，少数极高成本任务不成比例地抬高了均值与标准差。
4.2 皮尔逊相关分析
通过皮尔逊相关系数（ρ）量化各特征与目标变量之间的线性关联程度，以p≤0.05作为统计显著性判定标准。分析结果验证了假设H1：起飞质量与运载火箭定价之间具有最高的皮尔逊相关系数。
4.3 SHAP特征重要性分析
基于合作博弈论的SHAP值框架，研究人员对非线性模型中的特征归因进行了统一解释，识别出对定价预测贡献最大的关键特征，并与皮尔逊相关分析结果相互印证。
4.4 模型性能对比
在测试集上，XGBoost-Optuna模型仅使用结构化特征时R2为0.9289，加入LLM增强特征后为0.9021。NLS回归与OLSR作为基线模型参与对比。5折交叉验证的RMSE标准差在189至230之间波动，表明在仅67个样本上训练的模型稳定性有限。LLM特征消融研究显示，加入LLM派生特征未带来统计学上的显著性能提升（Wilcoxon p > 0.05），假设H4未获支持。机器学习方法（XGBoost）在预测精度上优于OLSR，支持假设H3。
4.5 特征重要性解释与管理启示
SHAP分析揭示了各特征对定价预测的贡献方向与强度，起飞质量等结构特征占据主导地位，LLM派生特征在当前样本量下贡献有限。研究为商业航天企业的定价决策提供了多维度的参考框架。
五、讨论与结论
研究讨论部分指出，LLM增强特征在当前67个训练样本下未产生统计显著的预测性能提升，这可能源于样本规模不足以充分发挥语义特征的潜力；交叉验证折间的高方差（RMSE标准差189至230）表明小样本训练的模型稳定性受限。研究结论强调，本框架作为方法论流水线与探索性分析工具呈现，在缺乏大幅扩充的验证数据集与独立验证的情况下，不应用于实际的运载火箭定价决策。研究同时指出，价格数据的右偏分布特征提示后续建模应考虑对数变换或稳健回归方法，以缓解极端高值对参数估计与模型泛化的不成比例影响。
