Predecir con precisión el movimiento de la carga y garantizar un control eficiente durante las operaciones dinámicas de grúas torre son cruciales para la seguridad de la grúa, incluida la capacidad de predecir la masa de la carga dentro de un rango seguro o normal. Este estudio utiliza el aprendizaje profundo para predecir con precisión el movimiento normal y anormal de la carga de las grúas torre. Se construye un prototipo de grúa torre a escala con un sistema sistemático de adquisición de datos para realizar experimentos y recopilación de datos. Se recopilan datos relacionados con 12 escenarios de casos de prueba, y cada caso de prueba representa una combinación específica de movimiento de elevación y giro y relación de masa de carga a contrapeso, definiendo variaciones operativas de la grúa torre. Estos datos completos se investigan utilizando una red neuronal profunda basada en atención con optimización del Estimador Parzen Estructurado en Árbol (TPE-AttDNN). El TPE-AttDNN propuesto logró una precisión de predicción del 0,95 con una tasa de falsos positivos del 0,08. Estos resultados demuestran claramente la efectividad del modelo propuesto en predecir con precisión la condición de movimiento de la carga de la grúa torre. Para garantizar una evaluación de rendimiento más confiable del AttDNN propuesto, realizamos experimentos de ablación que destacaron la importancia de los componentes individuales del modelo.