Los datos de vuelo multiatributo, complejos y diversos, pueden proporcionar oportunidades basadas en datos para la predicción de retrasos en vuelos en aeropuertos. Sin embargo, es un desafío procesar de manera efectiva y eficiente los datos de vuelo multiatributo. Este artículo propone una red híbrida dinámica espacial-temporal de memoria a corto y largo plazo (LSTM) con características multiatributo direccionales en 3D (3DF-DSCL) para la predicción de retrasos en vuelos de salida. El modelo se basa en una red neuronal convolucional en 3D (3D-CNN), una red de convolución gráfica (GCN) y un modelo de redes de memoria a corto y largo plazo (LSTM). En primer lugar, el conjunto de datos divide el estado y el entorno del retraso en vuelos de salida en tres situaciones, incluyendo el enlace de operación dinámica, que integra el sistema de trayectoria del movimiento de aeronaves en el área terminal, el enlace de congestión de red causado por el movimiento multiárea de aeronaves en el aire y en tierra, y otros factores de retraso determinados por los requisitos de despegue y aterrizaje del aeropuerto. Los datos multiatributo se dividen en series temporales, red espacial-temporal y variables de entrada de cuadrícula de trayectoria dinámica en movimiento. Entre ellos, la red espacial y los datos de cuadrícula de trayectoria dinámica en movimiento son las entradas de los modelos GCN y 3D CNN, que tienen como objetivo extraer características espaciales y temporales. Las variables de entrada de series temporales se alimentan a LSTM. Estas características se integran y se alimentan a LSTM para la predicción de retrasos en vuelos, donde el retraso en los vuelos de salida del aeropuerto se toma como la variable de salida. El estudio de caso muestra que el método propuesto puede mejorar significativamente la precisión de la predicción de retrasos en vuelos. El Error Absoluto Medio (MAE) puede alcanzar 0.26, lo que representa una reducción del 14.47% en comparación con 2D CNN+GCN+LSTM.