La predicción del flujo de tráfico es un componente importante para el transporte inteligente de nueva generación. En el campo del transporte aéreo, la predicción precisa del flujo de vuelos en aeropuertos puede ayudar a las aerolíneas a programar vuelos y proporcionar una base para la toma de decisiones en la asignación de recursos aeroportuarios. Con la ayuda de la tecnología de Aprendizaje Profundo, este artículo se centra en las características del flujo de vuelos fácilmente perturbado por factores ambientales, estudia la dependencia espacio-temporal entre los flujos de vuelos y predice la distribución espacio-temporal de los flujos de vuelo desde el nivel de red del aeropuerto. Hemos propuesto una arquitectura de aprendizaje profundo llamada ATFSTNP, que combina la red neuronal residual (ResNet), la red convolucional de grafos (GCN) y la memoria a corto plazo (LSTM). Basado en el análisis de big data de la gestión del tráfico aéreo, este método toma la relación causal espacio-temporal entre el impacto del clima y el flujo de vuelos como núcleo, y explora en profundidad la compleja relación espacio-temporal del flujo de vuelos. Las metodologías del modelo se mejoran desde el nivel de aplicación práctica, y se llevaron a cabo experimentos extensos en el conjunto de datos de operaciones de vuelo de China. Los resultados ilustran que el modelo mejorado tiene ventajas significativas en la predicción del flujo de vuelos bajo el efecto del clima. Incluso en un entorno externo complejo y variable, el modelo aún puede predecir con precisión la distribución espacio-temporal del flujo de vuelos en la red del aeropuerto, con una gran robustez.