La gestión del tráfico aéreo (ATM) depende de la condición operativa del sector de control de tráfico aéreo (ATCS), y evaluar si está sobrecargado es crucial para la eficiencia y la seguridad de toda la industria de la aviación. Los enfoques anteriores para evaluar la complejidad del tráfico aéreo en un sector se basaban principalmente en el estado operativo de las aeronaves y carecían de una caracterización integral, siendo menos adaptables en situaciones reales. Para resolver estos problemas, se propuso una técnica de aprendizaje profundo basada en redes complejas, empleando la red de conflictos de vuelo (FCN) para generar un gráfico de situación del tráfico aéreo (ATSG), con la instrucción de control de tráfico aéreo (ATCOI) recibida por cada aeronave incluida como un atributo adicional del nodo para aumentar la precisión de la evaluación. Se utilizó un método de agrupamiento con una red neuronal gráfica (GNN) para analizar la información del tráfico aéreo estructurada en gráficos y producir automáticamente el rango de complejidad del sector. Se creó el modelo de Aprendizaje Representativo de Gráficos Jerárquicos (HGRL) para construir representaciones de características integrales que involucran dos partes: la reducción de la estructura del gráfico y el aprendizaje de atributos del gráfico. La reducción de la estructura disminuyó el tamaño del mapa de características al elegir una selección adaptativa de nodos, mientras que la reducción de atributos seleccionó nodos clave en la representación a nivel de gráfico. Los hallazgos experimentales de un conjunto de datos real de la industria de la aviación china revelan que nuestro modelo propuesto supera a los métodos anteriores en su capacidad para extraer información crítica de un ATSG. Además, nuestro trabajo podría aplicarse en los dos tipos principales de sectores y sin cálculos de factores adicionales para determinar la complejidad del espacio aéreo.