El rápido crecimiento del tráfico aéreo ha llevado a un aumento de la congestión en los aeropuertos, creando cuellos de botella que interrumpen las operaciones en tierra y comprometen la eficiencia de la gestión del tráfico aéreo (ATM). Asegurar la predictibilidad de las operaciones en tierra es vital para mantener la sostenibilidad del sector de ATM. La eficiencia de los vuelos está estrechamente relacionada con la adherencia a los horarios de llegada y salida asignados en el aeropuerto, lo que ayuda a minimizar los retrasos primarios y previene retrasos en cadena. Desviaciones significativas de los horarios de llegada programados, ya sean anticipadas o tardías, impactan negativamente en las operaciones aeroportuarias y en el flujo de tráfico aéreo, a menudo requiriendo la imposición de regulaciones de Gestión del Flujo de Tráfico Aéreo (ATFM) para acomodar las fluctuaciones de demanda. Este estudio aprovecha un enfoque de aprendizaje automático basado en datos para mejorar la predictibilidad de los tiempos de bloque y de aterrizaje. Se entrenó una red neuronal Bidireccional de Memoria a Largo y Corto Plazo (BiLSTM) utilizando un conjunto de datos que integra trayectorias de vuelo, condiciones meteorológicas y datos de operaciones aeroportuarias. El modelo demostró una alta precisión en la predicción de desviaciones en los tiempos de aterrizaje, logrando un Error Cuadrático Medio (RMSE) de 8.71 minutos y mostrando un rendimiento consistente en varios perfiles de vuelos de larga distancia. En contraste, las predicciones de tiempo en bloque exhibieron una mayor variabilidad, influenciadas por datos limitados sobre factores a nivel del suelo, como retrasos en el rodaje y disponibilidad de puertas. Los resultados destacan el potencial de los modelos de aprendizaje profundo para optimizar la asignación de recursos aeroportuarios y mejorar la planificación operativa. Al predecir con precisión los tiempos de aterrizaje, este enfoque apoya una mejor gestión de las pistas y una mejor alineación de los recursos de manejo en tierra, reduciendo retrasos y aumentando la eficiencia en entornos aeroportuarios de alto tráfico. Estos hallazgos proporcionan una base para desarrollar sistemas predictivos que mejoren las operaciones aeroportuarias y la gestión del tráfico aéreo, con beneficios que se extienden tanto a las operaciones de vuelos cortos como de larga distancia.