Con el fin de cuantificar el grado de influencia del clima en las situaciones de tráfico en tiempo real, este documento propone un modelo de predicción de situaciones de tráfico terminal bajo la influencia del clima (TSPM-W) basado en enfoques de aprendizaje profundo. Primero, se construye un conjunto de características para predecir situaciones de tráfico basado en datos como clima, demanda de tráfico, condiciones de retraso y estrategias de control de flujo. Al construir los datos climáticos, se propone un método de cuantificación del clima en el área terminal (TAWQM) para cuantificar varios valores de características climáticas. Al construir la etiqueta de situación de tráfico, se utiliza el agrupamiento difuso C-means (FCM) para realizar un análisis de clúster sobre la situación de tráfico, y la situación de tráfico se clasifica como mala, promedio o buena. En consecuencia, los datos de múltiples fuentes se fusionan como el vector de entrada, basado en el modelo de predicción combinado de red neuronal convolucional (CNN) y unidad recurrente con compuerta (GRU), se construye TSPM-W. Finalmente, basado en los datos históricos de operación del área terminal del Aeropuerto Internacional Baiyun de Guangzhou, se utiliza el conjunto de datos propuesto para predecir la serie temporal de situaciones de tráfico en intervalos de 1 h, 3 h y 6 h. Los resultados experimentales comparativos muestran que el modelo de predicción de series temporales propuesto tiene una mayor precisión de predicción que otros métodos de predicción existentes. El conjunto de datos propuesto es capaz de predecir con mayor precisión la situación de tráfico en el área terminal.