Predecir con precisión los retrasos en los vuelos sigue siendo un desafío significativo en la industria de la aviación debido a la complejidad y la interconexión de sus operaciones. Los métodos de predicción tradicionales a menudo se basan en condiciones meteorológicas, como la temperatura, la humedad y el punto de rocío, así como en datos específicos de los vuelos, como los horarios de salida y llegada. Sin embargo, estos predictores a menudo no logran capturar las dinámicas matizadas que conducen a los retrasos. Este artículo introduce medidas de centralidad de red como nuevos predictores para mejorar la clasificación binaria de los retrasos en la llegada de vuelos. Además, enfatiza el uso de modelos de conjunto basados en árboles, específicamente el bosque aleatorio, el aumento de gradiente y CatBoost, que son reconocidos por su capacidad superior para modelar relaciones complejas en comparación con clasificadores individuales. Las pruebas empíricas muestran que la incorporación de medidas de centralidad mejora el rendimiento promedio de los modelos, siendo el bosque aleatorio el más efectivo, alcanzando una tasa de precisión del 86.2%, superando la línea base en un 1.7%.