El rápido avance de los sistemas aéreos no tripulados en diversos roles civiles requiere medidas de seguridad mejoradas durante su operación. Un aspecto clave para mejorar la seguridad es la evitación efectiva de colisiones, que se basa en la detección de conflictos y se ve muy favorecida por la predicción precisa de trayectorias. Este documento representa una novedosa metodología de predicción de trayectorias basada en datos, que aplica el algoritmo de predicción de Memoria a Largo y Corto Plazo (LSTM) al UAS-S4 Ehécatl. Se diseñó un modelo LSTM como base y luego se desarrolló en un LSTM Apilado para capturar mejor patrones de trayectoria temporales complejos y jerárquicos. A continuación, se desarrolló el LSTM Bidireccional para una mejor comprensión de las trayectorias contextuales a partir de sus puntos de datos pasados y futuros, y para proporcionar una perspectiva temporal más completa que pudiera mejorar su precisión. Los modelos basados en LSTM se evaluaron en términos de errores porcentuales absolutos medios. Los resultados revelan la superioridad del LSTM Bidireccional, ya que podía predecir las trayectorias del UAS-S4 con mayor precisión que el LSTM Apilado. Además, el LSTM Bidireccional desarrollado se comparó con otras redes neuronales profundas de vanguardia destinadas a la predicción de trayectorias de aeronaves. Resultados prometedores confirmaron que el LSTM Bidireccional exhibe el MAPE más estable en todos los horizontes de predicción.