En los sistemas de tráfico aéreo, las trayectorias de las aeronaves entre aeropuertos son monitoreadas por el sistema de red de radar que forma un flujo dinámico de tráfico aéreo. La predicción precisa del flujo de llegada a los aeropuertos es significativa para implementar una gestión del tráfico aéreo inteligente a gran escala. A pesar de años de estudios para mejorar la precisión de las predicciones, la mayoría de los métodos existentes solo se centran en un solo aeropuerto o simplifican la red de tráfico como un gráfico estático y simple. Para mitigar esta deficiencia, proponemos un método híbrido de red neuronal, llamado Red Espacial-Temporal de Convolución de Múltiples Gráficos Dinámicos (DMCSTN), para predecir el flujo de llegada a nivel de red de aeropuertos considerando las múltiples restricciones operativas e interacciones de vuelo entre los nodos del aeropuerto. Específicamente, en la dimensión espacial, se diseña una nueva red de convolución de múltiples gráficos dinámicos para modelar de manera adaptativa las redes aeroportuarias heterogéneas y dinámicas. Esto permite que el modelo propuesto capture dinámicamente correlaciones espaciales informativas de acuerdo con las características del tráfico de entrada. En la dimensión temporal, se utiliza un mecanismo de autoatención mejorado para extraer los patrones de evolución del flujo de llegada. Los experimentos en un conjunto de datos del mundo real de un sistema ATFM validan la efectividad de DMCSTN para tareas de pronóstico de flujo de llegada.