El consumo de combustible representa hasta un porcentaje significativo del costo operativo total de una aeronave y se ha convertido en uno de los factores de decisión más importantes en la industria aérea. Por lo tanto, una estimación prudente del combustible es esencial para que las aerolíneas aseguren un funcionamiento fluido en el próximo año fiscal. Surgen desafíos cuando las aerolíneas necesitan estimar el consumo total de combustible de nuevos sectores donde no hay datos disponibles. Esto requiere la derivación de un modelo paramétrico robusto que pueda representar las características de la nueva ruta incluso en ausencia de datos relevantes. Para abordar este problema, proponemos un enfoque de dos pasos para derivar un modelo que pueda estimar con precisión el combustible necesario para la aeronave. El enfoque desarrollado implica tanto aprendizaje no supervisado como un modelo de regresión. Para el paso de aprendizaje no supervisado, se utiliza el agrupamiento espacial basado en densidad jerárquica de aplicaciones con ruido (HDBSCAN) para agrupar los datos reducidos por análisis de componentes principales (PCA). Este paso puede separar automáticamente los sectores de vuelo en función de sus características subyacentes, como lo revelan sus componentes principales, al filtrar el ruido en los datos. Posteriormente, se utiliza la regresión lineal multivariante (MLR) para derivar las ecuaciones para cada grupo. Se ha demostrado que el modelo agrupado basado en PCA es superior al uso de un modelo global para un solo tipo de aeronave. Este enfoque produce estimaciones de combustible con un error cuadrático medio inferior para las rutas existentes dentro de cada grupo. Más importante aún, el método propuesto puede estimar con precisión el combustible total de una nueva ruta con un error agregado inferior, abordando así una de las limitaciones actuales en el estudio de estimación de combustible de aerolíneas.