El cizallamiento del viento presenta un desafío crítico para la seguridad de la aviación, particularmente durante el despegue y aterrizaje de aeronaves, lo que requiere pronósticos precisos y oportunos para mitigar los riesgos operativos. Este documento presenta un marco híbrido de Descomposición de Modo Variacional (VMD) integrado con una Red Neuronal Convolucional Temporal (TCN) optimizada por un Estimador Parzen Estructurado en Árbol (TPE) para la predicción precisa de la magnitud del cizallamiento del viento. El modelo utiliza datos de LiDAR Doppler recopilados desde enero de 2020 hasta diciembre de 2021 de dos sistemas de LiDAR Doppler instalados en el Aeropuerto Internacional de Hong Kong (HKIA). La técnica VMD descompone las señales de cizallamiento del viento en funciones de modo intrínseco (IMFs), que se modelan individualmente utilizando la TCN, capturando efectivamente tanto las variaciones a corto plazo como las dependencias a largo plazo. La optimización de hiperparámetros basada en TPE optimiza parámetros clave, mejorando aún más la precisión predictiva del marco propuesto. Una evaluación comparativa contra VMD-TPE-LSTM, VMD-TPE-BiLSTM, VMD-TPE-GRU y VMD-TPE-BiGRU demuestra que el marco VMD-TPE-TCN logra el mejor rendimiento. Muestra un Error Absoluto Medio (MAE) de 6.50, un Error Cuadrático Medio (RMSE) de 2.04 y una Estadística U de Theil de 0.1270, reflejando una mejor precisión predictiva. Estos resultados afirman la capacidad del marco VMD-TPE-TCN para proporcionar pronósticos confiables de cizallamiento del viento, mejorando la seguridad de la aviación, la planificación operativa y la gestión de riesgos dentro de los entornos aeroportuarios.