Evaluar el rendimiento de sistemas complejos, como la gestión del tráfico aéreo (ATM), es una tarea desafiante. Al considerar la aviación como un sistema continuo en el tiempo medido en series temporales discretas de valor a través de indicadores de rendimiento y ciertas métricas, es importante utilizar modelos matemáticos suficientemente específicos dentro del análisis. Una identificación consistente de la dinámica del sistema a nivel de evaluación, sin tratar con los eventos físicos reales del sistema, transforma el análisis de series temporales en un proceso de identificación del sistema, lo que asegura el control de un sistema desconocido (o solo parcialmente conocido). En este documento, se presentan los requisitos para el modelado matemático en forma de un marco paso a paso, que puede derivarse del modelo de proceso formal de ATM. El marco se aplica a conjuntos de datos representativos basados en experimentos y publicaciones anteriores, para cuya predicción de tiempos de embarque y clasificación de retrasos de vuelos con aprendizaje automático (ML) se utilizó el marco presentado aquí. Mientras que el proceso de entrenamiento de redes neuronales se describió en detalle allí, el documento que se presenta aquí se centra en las opciones de control y las posibilidades de optimización basadas en los modelos entrenados. En general, el marco discutido representa una guía estricta para abordar el análisis basado en datos y aprendizaje automático (ML) y la optimización metaheurística en ATM.