Los algoritmos de aprendizaje automático se aplican para predecir el cizallamiento del viento intenso a partir de los datos de LiDAR Doppler ubicados en el Aeropuerto Internacional de Hong Kong. Predecir el cizallamiento del viento intenso en las cercanías de las pistas del aeropuerto es vital para tomar decisiones de gestión inteligente y operaciones de vuelo oportunas. Para predecir la serie temporal del cizallamiento del viento intenso, se desarrollan en este estudio modelos de aprendizaje automático optimizados bayesianamente, como el aumento adaptativo, la máquina de aumento de gradiente ligero, el aumento categórico, el aumento de gradiente extremo, el bosque aleatorio y el aumento de gradiente natural. La predicción de series temporales describe un modelo que predice valores futuros basándose en valores pasados. Basado en el conjunto de pruebas, el modelo de Aumento de Gradiente Extremo (XGBoost) optimizado bayesianamente superó a los otros modelos en términos de error absoluto medio (1.764), error cuadrático medio (5.611), raíz del error cuadrático medio (2.368) y R-Cuadrado (0.859). Posteriormente, el modelo XGBoost se interpreta utilizando el método de Explicaciones Aditivas de Shapley (SHAP). La importancia basada en XGBoost y el método SHAP revelan que el mes del año y la ubicación de encuentro del cizallamiento del viento más intenso fueron las características más influyentes. Agosto tiene más probabilidades de tener un alto número de eventos de cizallamiento del viento intenso. La mayoría de los eventos de cizallamiento del viento intenso ocurrieron en la pista y dentro de una milla náutica del extremo de salida de la pista.