El número esperado de operaciones de drones en las próximas décadas, junto con el hecho de que la mayoría de ellas se llevarán a cabo en el espacio aéreo de muy baja altitud, conducirá a una densidad de vuelos de drones mucho mayor que la de la aviación convencional tripulada. En este contexto, el número de conflictos (es decir, la convergencia 4D de las trayectorias de los drones por debajo de los mínimos de separación seguros) será mucho más frecuente que en la aviación tripulada y, por lo tanto, es poco probable que los métodos convencionales de gestión del tráfico aéreo o incluso los mecanismos específicos propuestos para la gestión del tráfico de drones puedan resolverlos de manera segura. Este documento considera un conjunto de trayectorias de drones simuladas en un entorno urbano de alta densidad para analizar la aplicabilidad de técnicas de regresión y clasificación de aprendizaje automático para detectar conflictos entre esos tiempos de trayectoria antes de que ocurran, con el fin de proporcionar nuevos métodos para gestionar la esperada densidad de tráfico de drones de manera segura y eficiente. Esto no sería posible con las soluciones actuales de gestión del tráfico de drones. Los resultados obtenidos sugieren que los algoritmos de Random Forest, Redes Neuronales Artificiales y Regresión Logística podrían detectar casi todas las casi colisiones hasta 10 segundos antes de que ocurran, y los dos primeros algoritmos también podrían detectar un número significativo de casi colisiones más de 60 segundos antes.