Satisfacer la demanda con la capacidad de espacio aéreo disponible es uno de los problemas más desafiantes que enfrenta la Gestión del Tráfico Aéreo. Hoy en día, este proceso colaborativo de Equilibrio de Demanda-Capacidad a menudo termina imponiendo regulaciones de Gestión del Flujo de Tráfico Aéreo cuando la capacidad no puede ajustarse. Este proceso para decidir si se necesita una regulación consume tiempo y depende en gran medida del conocimiento humano. Este artículo estudia tres diferentes marcos de Gestión del Tráfico Aéreo con el objetivo de mejorar la eficiencia de costos para las Posiciones de Gestor de Flujo y los operadores del Gestor de Red al enfrentar la detección de regulaciones. Para este propósito, se combinan dos modelos de Aprendizaje Profundo ya probados, creando diferentes modelos híbridos. Se utiliza una Red Neuronal Recurrente para procesar variables escalares y extraer las características generales del espacio aéreo, y se utiliza una Red Neuronal Convolucional para procesar imágenes artificiales que exhiben la configuración específica del espacio aéreo. Los modelos se validan utilizando datos históricos de dos de las regiones europeas más reguladas, resultando en un marco novedoso que podría ser utilizado en los centros de Control de Tráfico Aéreo. Para el mejor modelo híbrido, utilizando una arquitectura en cascada, se obtiene una precisión promedio del 88.45%, con un recall promedio del 92.16% y una precisión promedio del 86.85%, a través de diferentes volúmenes de tráfico. Además, se utilizan dos técnicas diferentes para la explicabilidad del modelo para proporcionar una comprensión teórica de su comportamiento y entender las razones detrás de las predicciones.