Atraso é um dos indicadores mais críticos para sistemas de transporte aéreo. Atrasos de voos impõem um desafio que impacta qualquer sistema de transporte aéreo. Nesse contexto, a previsão de voos atrasados pode ser uma ferramenta essencial para tratar desse problema de forma efetiva. A presente dissertação investiga o desempenho de previsão das estratégias ativa e passiva de tratamento de drift na aviação em diferentes escalas. Duas diferentes escalas foram consideradas: system-based (SB) e airport-based (AB). Na SB, todos os aeroportos no sistema aéreo são considerados. De maneira oposta, no AB, cada aeroporto é estudado separadamente. Especificamente, esse trabalho propôs e respondeu duas perguntas de pesquisa: (i) Como estratégias de tratamento de drift influenciam o desempenho da previsão de atrasos?; e (ii) Diferentes escalas podem influenciar os resultados das estratégias de tratamento de drift? Foi observado que estratégias de tratamento de drift são relevantes. Seu impacto varia de acordo com a escala utilizada. A avaliação experimental foi realizada usando um dataset que integra dados de clima e voos do sistema aéreo do Brasil. Além disso, as estratégias passiva e ativa mostraram melhores escores de recall. Em relação ao f1, as estratégias tiveram resultados similares, com a estratégia passiva mostrando resultados ligeiramente melhores. Esses resultados podem estar relacionados com a alta incidência de drifts. Nesse caso, estratégias que sempre retreinam modelos de aprendizado de máquina oferecem melhores resultados que aqueles que treinam somente uma vez. Entretanto, testes extensivos são recomendados.