La predicción de trayectorias es crítica para garantizar la seguridad, fiabilidad y escalabilidad de los Vehículos Aéreos No Tripulados (VANT) en entornos urbanos. A pesar de los avances en el aprendizaje profundo, los métodos existentes a menudo tienen dificultades con las condiciones dinámicas de los VANT, como cambios de dirección rápidos y horizontes de predicción limitados, además de carecer de validación y capacidades de generalización en tiempo real. Este estudio aborda estos desafíos proponiendo un marco de aprendizaje profundo basado en unidades recurrentes con compuertas (GRU) optimizado a través de etiquetado Look_Back y Forward_Length para capturar patrones temporales complejos. El modelo demostró un rendimiento de vanguardia, superando los enfoques existentes de predicción de trayectorias de vehículos aéreos no tripulados (VANT) y aeronaves, incluyendo FlightBERT++, en términos de precisión y robustez. Logró predicciones confiables a largo plazo de hasta 4 segundos, y su viabilidad en tiempo real fue validada debido a su eficiente utilización de recursos. La capacidad de generalización del modelo se confirmó a través de evaluaciones en dos conjuntos de datos independientes de VANT, donde predijo consistentemente trayectorias no vistas con alta precisión. Estos hallazgos destacan la capacidad del modelo para manejar maniobras rápidas, extender horizontes de predicción y generalizar entre plataformas. Este trabajo establece un marco robusto de predicción de trayectorias con aplicaciones prácticas en la evitación de colisiones, planificación de misiones y sistemas anti-drones, allanando el camino para operaciones de VANT más seguras y escalables.