En los últimos cuarenta años, la gestión del flujo de tráfico aéreo (ATFM) ha recibido una atención significativa desde que se introdujo el enfoque inicial para abordar los problemas de retraso en tierra en un solo aeropuerto. Los métodos tradicionales para resolver problemas de retraso en tierra tanto en un solo aeropuerto como en múltiples aeropuertos se basan principalmente en técnicas de investigación operativa y se formulan típicamente como problemas de enteros mixtos (MIPs), utilizando solucionadores para aproximar soluciones óptimas. A pesar de su efectividad en problemas de menor escala, estos enfoques tienen dificultades con la complejidad y escalabilidad requeridas para el ATFM a gran escala y multi-sectorial, lo que conduce a un rendimiento subóptimo en escenarios en tiempo real. Para superar estas limitaciones, proponemos un nuevo método de balanceo de demanda y capacidad basado en redes neuronales (NN-DCB) que aprovecha el ramificado neuronal y la inmersión neuronal para resolver de manera eficiente el problema del ATFM. Utilizando datos de 15,927 trayectorias de vuelo a través de 287 sectores de espacio aéreo en un día típico de febrero de 2024, nuestro método re-asigna los tiempos de entrada y salida de las trayectorias en cada sector. Los resultados demuestran que los problemas de ATFM a gran escala se pueden resolver en 15 minutos, ofreciendo una mejora significativa en el rendimiento en comparación con los métodos más avanzados. Este estudio confirma que los enfoques basados en redes neuronales son más efectivos para la resolución de problemas de ATFM a gran escala.