Este documento aborda el desafío de predecir trayectorias 3D para Vehículos Aéreos No Tripulados (VANT) en tiempo real, una tarea crítica para aplicaciones como la vigilancia aérea y la defensa. Los modelos de predicción actuales aprovechan principalmente solo los datos de posición, que pueden no proporcionar las previsiones más precisas para los movimientos de los VANT y generalmente fallan fuera del dominio de posición utilizado en la fase de entrenamiento. Nuestra investigación identifica una brecha en la utilización de estimaciones de velocidad y dinámicas de primer orden para capturar mejor la dinámica y mejorar la precisión y generalización de la predicción en cualquier dominio de posición. Para cerrar esta brecha, introducimos un esquema de predicción de trayectorias utilizando redes neuronales basadas en secuencias con Unidades Recurrentes Gated (GRUs) para prever la velocidad y las posiciones futuras basadas en estimaciones de velocidad históricas en lugar de mediciones de posición. Este enfoque está diseñado para mejorar las capacidades predictivas sobre métodos tradicionales que dependen únicamente de redes neuronales recurrentes (RNNs) o transformadores, que pueden tener dificultades con la escalabilidad en este contexto. Nuestra metodología emplea datos de trayectorias 3D de VANT tanto sintéticos como del mundo real, incorporando diversos patrones de agilidad, curvatura y velocidad. Los datos sintéticos se generan utilizando el simulador de robótica Gazebo y el piloto automático PX4, mientras que los datos del mundo real se obtienen de los conjuntos de datos de carreras de drones UZH-FPV y Mid-Air. Entrenamos los modelos basados en GRU con muestras de posición y velocidad de drones 3D para capturar efectivamente la dinámica de los movimientos de los VANT. Cuantitativamente, el algoritmo de predicción basado en GRU propuesto demuestra un rendimiento superior, logrando un error cuadrático medio (MSE) que varía de 2 x 10 - 8 a 2 x 10 - 7. Este rendimiento supera a los modelos RNN de última generación existentes. En general, nuestros hallazgos confirman la efectividad de incorporar datos de velocidad para mejorar la precisión de las predicciones de trayectorias de VANT en escenarios tanto sintéticos como del mundo real, dentro y fuera de las distribuciones de datos de posición. Finalmente, hacemos de código abierto nuestro conjunto de datos de 5000 trayectorias y un paquete ROS2 para facilitar la integración con sistemas de VANT basados en ROS existentes.