El control predictivo basado en datos (DPC) se está convirtiendo en una alternativa atractiva al control predictivo basado en modelos, ya que requiere menos conocimiento del sistema para su implementación y los datos confiables están cada vez más disponibles en los sistemas de ingeniería inteligente. Dos enfoques principales existen dentro del DPC: el enfoque de subespacio, que estima matrices de predicción (sin sesgo para grandes datos) y el enfoque conductual, habilitado por datos, que utiliza matrices de datos de Hankel para la predicción (permite optimizar el balance sesgo/varianza). En este artículo desarrollamos un algoritmo novedoso de DPC generalizado (GDPC) al fusionar predictores de subespacio y Hankel. La secuencia de entrada predicha se define como la suma de una secuencia de entrada base conocida y una secuencia de entrada optimizada. La secuencia de salida base correspondiente se calcula utilizando un predictor de subespacio sin sesgo, mientras que la secuencia de salida predicha optimizada se calcula utilizando un predictor de matriz de Hankel. Al combinar estos dos tipos de predictores, GDPC puede lograr un alto rendimiento para datos ruidosos incluso al usar una matriz de Hankel pequeña, que es computacionalmente más eficiente. Los resultados de simulación para un ejemplo de referencia de la literatura muestran que GDPC con una matriz de Hankel de tamaño reducido puede igualar el rendimiento del control predictivo habilitado por datos con una matriz de Hankel más grande en presencia de datos ruidosos.