La predicción variable del tiempo de rodaje es el núcleo del sistema de Toma de Decisiones Colaborativa en Aeropuertos (A-CDM). Una predicción precisa del tiempo de rodaje contribuye a mejorar la eficiencia operativa, la seguridad y la previsibilidad del aeropuerto. La profunda correlación espaciotemporal dinámica inherente a los datos de tráfico aeroportuario es crítica para la predicción del tiempo de rodaje. Sin embargo, los métodos existentes de aprendizaje automático (aprendizaje profundo) no han podido explotar completamente estas correlaciones. Para abordar este problema, proponemos un modelo basado en aprendizaje profundo llamado red de atención gráfica espaciotemporal dinámica de múltiples tareas (MT-DSTGAN). Nuestro modelo también predice el flujo de tráfico total futuro del aeropuerto y el flujo de tráfico del segmento de rodaje como tareas auxiliares, con el objetivo de mejorar la precisión de la predicción del tiempo de rodaje de las aeronaves. El modelo MT-DSTGAN propuesto se implementa y evalúa a través de un estudio de caso del Aeropuerto Internacional de Pekín Capital con un conjunto de datos del mundo real. La ventaja del modelo propuesto, que muestra un mejor rendimiento en varias métricas de evaluación, se demuestra en un estudio comparativo con otros trabajos de referencia. En resumen, el MT-DSTGAN propuesto exhibe capacidades prometedoras para percibir los cambios dinámicos en el proceso de rodaje de las aeronaves y demuestra la capacidad de capturar complejas correlaciones espaciotemporales en los datos de tráfico aeroportuario.