La Red Europea de Gestión del Tráfico Aéreo (EATMN) está compuesta por varios interesados y actores. En consecuencia, las operaciones dentro de EATMN se planifican con hasta seis meses de antelación a la fecha objetivo (fase táctica). Sin embargo, los eventos estocásticos y la flexibilidad operativa incorporada (robustez), junto con otros factores, dan lugar a desequilibrios entre la demanda y la capacidad que provocan retrasos en los vuelos. El tamaño de la EATMN y su complejidad desafían la predicción del retraso total de la red utilizando métodos analíticos o enfoques de optimización. Enfrentamos este desafío proponiendo una red neuronal convolucional profunda (DCNN), que toma las regulaciones de capacidad como entrada. La arquitectura de la DCNN mejora con éxito los resultados de predicción en un 50 por ciento (en comparación con el modelo de bosque aleatorio como modelo base). De hecho, el modelo entrenado con datos de 2016 y 2017 es capaz de predecir 2018 con un error porcentual absoluto medio del 22% y 14% para el retraso y el tráfico retrasado, respectivamente. Este estudio presenta un método para proporcionar una mayor conciencia situacional, que es imprescindible para el tema de la resiliencia de la red.