El crecimiento sostenido del transporte aéreo exige herramientas precisas para anticipar la afluencia del tránsito y optimizar la gestión operativa. En este trabajo se evaluaron y compararon cinco algoritmos predictivos -regresión lineal, modelos autoregresivos integrados de media móvil y su variante estacional, redes neuronales artificiales y redes neuronales con memoria de corto y largo plazo- aplicados a series temporales de tránsito aéreo. Se realizó un exhaustivo preprocesamiento de los datos, considerando la estacionalidad y las características propias del dominio, y se diseñó un experimento controlado para medir la precisión y el tiempo de entrenamiento de cada modelo. Los resultados evidenciaron que los modelos basados en redes neuronales ofrecieron la mayor precisión en la predicción, aunque con mayores requerimientos computacionales. Destaca que, en el contexto analizado, una red neuronal artificial simple superó en desempeño a modelos más complejos, demostrando que la elección del algoritmo óptimo depende tanto de la calidad de los datos como de la naturaleza del problema. Este estudio aporta una guía práctica para la selección de modelos predictivos en el ámbito del tránsito aéreo y resalta la importancia de adaptar la solución al contexto específico. La aplicación de estos resultados puede contribuir a la mejora de la planificación y gestión del tráfico aéreo, reduciendo la incertidumbre y favoreciendo una toma de decisiones más informada.