Gestionar el tiempo de respuesta de las aeronaves es un proceso complejo debido a diversos factores, incluida la atención a los pasajeros. La gestión en tierra en los aeropuertos, la planificación de recursos, la mano de obra óptima y la utilización de equipos son algunas de las estrategias para reducir costos, particularmente para las aerolíneas y los equipos de servicio de manejo en tierra. Los horarios programados de llegada y salida de las aeronaves son aspectos críticos de todo el proceso de gestión en tierra y atención a los pasajeros. Esta investigación tuvo como objetivo optimizar la asignación de recursos en tierra en el aeropuerto para múltiples aeronaves utilizando metodologías de predicción basadas en aprendizaje automático para mejorar la predicción del tiempo de llegada de las aeronaves, una variable incontrolable. Nuestros modelos propuestos incluyen un modelo de regresión lineal múltiple (MLR) y un modelo basado en perceptrón multicapa (MLP), ambos utilizados para predecir los tiempos de llegada de ida y vuelta. Además, desarrollamos un modelo basado en MLP para la clasificación multiclasificada de retrasos en la llegada según el tiempo de salida y el retraso desde el mismo aeropuerto. En condiciones climáticas normales y escenarios operativos, los modelos pudieron predecir los tiempos de llegada de ida y vuelta con un error cuadrático medio de 8 minutos para cada par origen-destino y clasificar los retrasos en la llegada con una precisión promedio del 93.5%. Nuestros hallazgos sugieren que los enfoques basados en aprendizaje automático pueden utilizarse para predecir los tiempos de llegada de ida y vuelta según el tiempo de salida desde el mismo aeropuerto, y así estimar con precisión el número de movimientos de vuelo reales por hora con antelación. Esta previsibilidad permite una planificación optimizada de recursos en tierra para múltiples aeronaves basada en el despliegue y la utilización restringidos de recursos en el aeropuerto.