Los retrasos de vuelos continúan siendo una preocupación sustancial en el sector de la aviación, afectando tanto la eficiencia operativa como la satisfacción de los pasajeros. Los sistemas existentes, aunque intentan predecir los retrasos, a menudo carecen de capacidades predictivas precisas debido a configuraciones de modelado deficientes, ingeniería de características insuficiente y procesos de selección de características inadecuados, lo que lleva a predicciones subóptimas y toma de decisiones ineficaz. La predicción precisa de retrasos en la llegada de vuelos es esencial para mejorar la programación de las aerolíneas y la asignación de recursos. El objetivo de nuestra investigación es crear un modelo de predicción superior que supere los enfoques de modelado actuales. Este estudio tiene como objetivo pronosticar los retrasos en la llegada de vuelos examinando datos de cinco estados prominentes de EE. UU. en 2023: California (CA), Texas (TX), Florida (FL), Nueva York (NY) y Georgia (GA). Nuestro enfoque de modelado propuesto implica la ingeniería de características para identificar variables significativas, seguido de un algoritmo de selección de características novedoso (CFS) diseñado para retener solo las características más relevantes. Los pronósticos de retrasos se generaron utilizando nuestro propuesto Deep Feed Forward Regression Network (DFFRN), un enfoque de aprendizaje profundo de cinco capas diseñado para mejorar la precisión predictiva mediante la incorporación de características seleccionadas de manera extensa. Los hallazgos indican que el modelo DFFRN superó sustancialmente a los modelos convencionales documentados en la literatura. El DFFRN tuvo el puntaje R más alto (99.916%), lo que indica una eficacia predictiva excepcional, destacando la eficacia del modelo DFFRN para predecir retrasos de vuelos y estableciéndolo como un activo significativo para mejorar la toma de decisiones y minimizar los retrasos operativos en el sector de la aviación.