El aprendizaje profundo es crucial en logística marina y detección, diagnóstico y predicción de errores de grúas de contenedores. Una novedosa técnica de aprendizaje profundo que utiliza Memoria a Corto y Largo Plazo (LSTM) detectó y anticipó errores en un sistema con datos desequilibrados. El modelo LSTM fue entrenado con datos reales de errores operativos de grúas de contenedores. El algoritmo personalizado emplea la Técnica de Sobremuestreo de la Minoría Sintética (SMOTE) para equilibrar los datos desequilibrados de errores operativos (es decir, muy pocos ejemplos de la clase minoritaria). Se utilizó Python para programar. Se presentan las matrices de correlación de Pearson, Spearman y Kendall y las matrices de covarianza. Se muestra la pérdida de entrenamiento y validación del modelo, y se predicen los datos restantes. El conjunto de pruebas (30% de los datos reales) y los datos pronosticados tuvieron RMSE de 0.065. Se creó un mapa de calor de una matriz de confusión utilizando Matplotlib y Seaborn. Además, se proyectaron las salidas de errores para la serie temporal de los próximos n segundos, con los n segundos ingresados por el usuario. La precisión fue de 0.996, la precisión fue de 1.00, la recuperación fue de 0.500 y la puntuación f1 fue de 0.667, según los criterios de evaluación que se produjeron. Los experimentos demostraron que la técnica es capaz de identificar elementos críticos. Por lo tanto, los intentos futuros mejorarán la estructura del modelo para pronosticar errores de grandes datos industriales. Sin embargo, la ventaja es que puede manejar datos desequilibrados, que es lo que la mayoría de las industrias suelen tener. Con datos adicionales, el modelo puede mejorarse aún más.