La comunidad de investigación ha prestado gran atención a la predicción de los flujos de tráfico aéreo. No obstante, la investigación que examina la predicción de los patrones de tráfico aéreo para la gestión del tráfico de aeronaves no tripuladas (UTM) es relativamente escasa en la actualidad. Así, este documento propone una red neuronal convolucional unidimensional y un marco de codificador-decodificador LSTM para integrar la predicción del flujo de tráfico aéreo con la métrica de complejidad intrínseca. Esta métrica de complejidad adaptada tiene en cuenta las diferencias importantes entre las operaciones de ATM y UTM, como las estructuras de flujo dinámico y la densidad del espacio aéreo. Además, la metodología propuesta ha sido evaluada y verificada en un entorno de escenario de simulación, en el que se considera un sistema de entrega de drones que es esencial en la entrega de pruebas de muestras de COVID-19, servicios de entrega de paquetes de múltiples oficinas de correos, una inspección de la infraestructura ferroviaria y tareas de vigilancia de incendios. Además, el modelo de predicción también considera los impactos de otros factores significativos, incluidas las operaciones de UTM de emergencia, las zonas de no vuelo estáticas (NFZ) y las variaciones en las condiciones climáticas. Los resultados muestran que el modelo propuesto logra el valor de RMSE más bajo en todos los escenarios en comparación con otros enfoques. Específicamente, el error de predicción del modelo propuesto es un 8.34% menor que el de la red neuronal superficial (en promedio) y un 19.87% menor que el del modelo de regresión en promedio.