Se propone un marco de predicción espaciotemporal novel y multidimensional para mejorar la predicción del flujo de tráfico aéreo en redes de aviación cada vez más complejas. Este marco incorpora redes convolucionales de gráficos (GCNs) con redes LSTM multidimensionales y convoluciones temporales de múltiples escalas, empleando un mecanismo de atención para capturar de manera efectiva las dependencias espaciotemporales. Al abordar topologías irregulares y tendencias temporales dinámicas, el marco modela patrones locales de tráfico aéreo con una precisión mejorada. Los resultados experimentales demuestran mejoras significativas en la precisión predictiva en comparación con los métodos tradicionales, especialmente al tener en cuenta la naturaleza compleja de los flujos de tráfico aéreo. La escalabilidad y adaptabilidad del modelo amplían su aplicación a diversas redes de aviación, abarcando todas las unidades de espacio aéreo dentro de tres redes locales, en lugar de centrarse únicamente en el tráfico aeroportuario. Estos hallazgos contribuyen al desarrollo de sistemas de gestión del tráfico aéreo más inteligentes, precisos y adaptables, mejorando en última instancia tanto la eficiencia operativa como la seguridad.