La predicción del flujo de tráfico en aeropuertos es un tema de investigación fundamental en el campo de la gestión del flujo de tráfico aéreo. La mayoría de los trabajos existentes se centran en la predicción del flujo de tráfico en un solo aeropuerto con dinámicas temporales, pero no consideran la influencia de la red topológica de aeropuertos. En este artículo, se propone un nuevo marco basado en aprendizaje profundo, llamado red de predicción de flujo de tráfico en aeropuertos (ATFPNet), para capturar las dependencias espacio-temporales del flujo de tráfico histórico en aeropuertos (salidas y llegadas) para la predicción del flujo de llegada situacional (a nivel de red) a múltiples pasos. En primer lugar, considerando la naturaleza de la distribución de aeropuertos y el contexto del transporte aéreo, se aplica un gráfico semántico especial basado en el horario de vuelos para representar la red de aeropuertos, que es clave para codificar el flujo de tráfico aeroportuario situacional en una única representación. Luego, se combinan el operador de convolución de gráficos y la unidad recurrente con compuertas para extraer patrones de transición de alto nivel del flujo de tráfico en aeropuertos en las dimensiones espacial y temporal. Finalmente, se aplica un conjunto de datos de flujo de tráfico en aeropuertos del mundo real para validar la efectividad del modelo propuesto, y los resultados experimentales demuestran que el ATFPNet supera a otras líneas base en diferentes horizontes de predicción. Específicamente, el método propuesto logra una mejora de hasta el 17% en el MAE en comparación con las líneas base. Basado en el enfoque propuesto, se espera lograr una planificación de tráfico eficiente para la gestión de aeropuertos.