Obtener información confiable sobre el viento es fundamental para gestionar de manera eficiente el tráfico aéreo y las operaciones aeroportuarias. La predicción del viento se ha considerado una de las tareas más desafiantes en la industria de la aviación. Recientemente, con la llegada de la inteligencia artificial, muchas técnicas de aprendizaje automático se han utilizado ampliamente para abordar una variedad de fenómenos complejos en las predicciones del viento. En este documento, proponemos un marco híbrido que combina un modelo de aprendizaje automático con filtrado de Kalman para un problema de predicción del viento en la industria de la aviación. Más específicamente, este estudio tiene tres objetivos: (1) comparar el rendimiento de los modelos de aprendizaje automático (es decir, proceso gaussiano, perceptrón multicapa y red de memoria a corto y largo plazo (LSTM)) para identificar el modelo más apropiado para las predicciones del viento, (2) combinar el modelo de aprendizaje automático seleccionado en el paso (1) con un filtro de Kalman no lineal (UKF) para mejorar la fidelidad del modelo, y (3) realizar simulaciones de Monte Carlo para cuantificar las incertidumbres que surgen del proceso de modelado. Los resultados muestran que los conjuntos de datos de viento de series temporales a corto plazo son mejor predichos por la red LSTM en comparación con los otros modelos de aprendizaje automático y el enfoque LSTM asistido por UKF (UKF-LSTM) supera solo a la red LSTM, especialmente cuando se necesita considerar la predicción del viento a largo plazo.