Para aprovechar plenamente las correlaciones dinámicas espaciotemporales en el flujo de tráfico aéreo y mejorar la precisión de los modelos de predicción de flujo de tráfico, proporcionando así una base más precisa para percibir situaciones de congestión en la red de rutas aéreas, se realizó un estudio sobre un método de predicción de flujo de tráfico basado en aprendizaje profundo considerando factores espaciotemporales. Se construyó un gráfico de topología de red de puntos de referencia, y se propuso un modelo de red neuronal llamado red neuronal de memoria a corto y largo plazo basada en convolución de gráficos y autoatención (GC-SALSTM). Este modelo utilizó el flujo de puntos de referencia y la tasa de pérdida de eficiencia de la red como características de entrada, con la convolución de gráficos extrayendo características espaciales de la red de puntos de referencia. Además, se utilizó una red de memoria a corto y largo plazo basada en un mecanismo de autoatención para extraer características temporales, logrando una predicción precisa del tráfico de puntos de referencia. Se realizó un análisis de ejemplo en un sector típicamente ocupado de aeropuertos en la región de China Central y del Sur. Se validó la efectividad de agregar la tasa de pérdida de eficiencia de la red como una característica de entrada para mejorar la precisión de la predicción del tráfico crítico de puntos de referencia. El rendimiento del modelo propuesto se comparó con varios modelos de predicción típicos. Los resultados indicaron que, con la adición de la tasa de pérdida de eficiencia de la red, el error cuadrático medio (RMSE) para ocho puntos de referencia disminuyó en más del 10%. En comparación con el promedio histórico (HA), el promedio móvil integrado autorregresivo (ARIMA), la regresión de vectores de soporte (SVR), la memoria a corto y largo plazo (LSTM) y la red de convolución de gráficos y red de memoria a corto y largo plazo (GCN-LSTM), el RMSE del modelo propuesto disminuyó en un 11.78%, 5.55%, 0.29%, 2.53% y 1.09%, respectivamente. Esto sugiere que el indicador de tasa de pérdida de eficiencia de la red adoptado mejora efectivamente la precisión de la predicción, y el modelo construido exhibe un rendimiento predictivo superior en la predicción del tráfico de puntos de referencia a corto plazo en comparación con otros modelos de predicción. Contribuye a optimizar las rutas de vuelo y las rutas aéreas de gran altitud, minimizando los retrasos en los vuelos y la congestión en el aire en la mayor medida posible, mejorando así la eficiencia general de todo el sistema de aviación.