A medida que aumentan los volúmenes de carga, es probable que los aeropuertos requieran un desarrollo adicional de infraestructura, servicios aéreos ampliados e instalaciones expandidas. La predicción de los volúmenes de carga podría garantizar una inversión efectiva. Entre los modelos de inteligencia computacional, la regresión de vectores de soporte (SVR) se ha convertido en el paradigma de modelado dominante. En este estudio, se utilizó un modelo SVR basado en lógica difusa (FSVR) para resolver el problema de predicción de volúmenes de carga en aeropuertos internacionales. El modelo FSVR puede utilizar una serie temporal difusa de cambios de tráfico históricos para las predicciones. Se utilizó un algoritmo de clasificación difusa para elementos de niveles similares en la serie temporal para dividir adecuadamente los cambios de tráfico en conjuntos difusos, generar valores de función de membresía y establecer una relación difusa para producir una interpolación difusa con un error mínimo. Una comparación del modelo FSVR con otros modelos reveló que el modelo FSVR tenía el error porcentual absoluto medio más bajo (todos < 2.5%), error absoluto medio y error cuadrático medio para todos los tipos de tráfico en todos los aeropuertos analizados. Los conjuntos difusos pueden manejar la incertidumbre e imprecisión en series temporales. Por lo tanto, la precisión de predicción de todo el modelo de series temporales se mejora aprovechando SVR y conjuntos difusos. Al utilizar el modelo FSVR altamente preciso para predecir el crecimiento futuro del volumen de carga aérea, la gerencia del aeropuerto podría analizar sus instalaciones existentes y la capacidad de servicio para identificar cuellos de botella operativos y planificar el desarrollo futuro. El modelo FSVR es el modelo de pronóstico más preciso para la predicción del tráfico aéreo.