Aunque las plataformas de aprendizaje en línea se están convirtiendo gradualmente en algo común en la sociedad moderna, las altas tasas de abandono de los estudiantes y el bajo rendimiento académico requieren más atención dentro del entorno de aprendizaje virtual (VLE). Este estudio tiene como objetivo predecir el rendimiento de los estudiantes en un curso específico mientras se desarrolla continuamente, utilizando información biográfica personal estadística y datos de comportamiento secuencial con VLE. Para lograr este objetivo, se propone una nueva red neuronal recurrente (RNN) con unidad recurrente en puerta (GRU) como una red neuronal conjunta para ajustar tanto los datos estáticos como los secuenciales, donde también se adopta un mecanismo de completado de datos para llenar los datos de flujo faltantes. Para incorporar la relación secuencial de los datos de aprendizaje, se consideran primero tres tipos de algoritmos de redes neuronales profundas de series temporales: RNN simple, GRU y LSTM como modelos de referencia. Se comparan sus rendimientos en la identificación de estudiantes en riesgo. Los resultados experimentales en el Conjunto de Datos de Analítica de Aprendizaje de la Universidad Abierta (OULAD) muestran que métodos simples como GRU y RNN simple tienen mejores resultados que el modelo LSTM relativamente complejo. Los resultados también revelan que diferentes modelos tienen diferentes momentos de rendimiento máximo, lo que resulta en el modelo conjunto propuesto que logra más del 80% de precisión en la predicción de estudiantes en riesgo al final del semestre.