Este documento presenta el artículo académico de mi investigación sobre la predicción y el análisis estructural de retrasos en vuelos comerciales (EE. UU., 2021). Procesando más de 6 millones de registros y aplicando un estricto diseño para evitar la fuga de datos (data leakage), el estudio detalla un marco integral de Machine Learning: modelos supervisados (XGBoost, ElasticNet, etc) para la anticipación binaria y la estimación en minutos exactos de la demora, y aprendizaje no supervisado (K-Means y DBSCAN) para la detección y segmentación algorítmica de cuellos de botella geográficos. El reporte ofrece una aproximación empírica y robusta para el diagnóstico y la optimización logística de la red aeronáutica.