Los complejos modelos de simulación microscópica para la evaluación del rendimiento y la toma de decisiones en la gestión del tráfico aéreo (ATM) se ven obstaculizados por varios factores. Uno de los más importantes es la existencia de parámetros ocultos, como el peso de despegue de la aeronave (TOW) y el índice de costo seleccionado (CI), que, si se conocieran, permitirían metodologías de modelado de rendimiento más efectivas para evaluar los Indicadores Clave de Rendimiento (KPI) en varios niveles de abstracción/detalle, por ejemplo, a nivel del sistema o a nivel de vuelos individuales. Esta investigación propone una metodología basada en datos para la estimación de los parámetros ocultos de los vuelos, combinando modelos mecánicos y avanzados de Inteligencia Artificial/Aprendizaje Automático (AI/ML). Con el objetivo de los modelos de microsimulación, nuestra meta es estudiar el efecto de estas estimaciones en la predicción de los KPI de los vuelos. Para ello, proponemos una nueva metodología según la cual los métodos basados en datos se entrenan con trayectorias óptimas (producidas por modelos mecánicos) correspondientes a valores conocidos de parámetros ocultos, con el fin de predecir los valores de los parámetros ocultos de trayectorias no vistas. Los resultados muestran que las estimaciones de los parámetros ocultos apoyan la predicción precisa de los KPI en relación con la eficiencia de los vuelos: consumo de combustible, tiempo y distancia volada de puerta a puerta.