Con el avance de la computación en la nube, en el borde y local, los Vehículos Aéreos No Tripulados (VANT), como nodos móviles flexibles, ofrecen soluciones novedosas para el despliegue dinámico de redes. Sin embargo, la investigación existente sobre redes de VANT enfrenta desafíos sustanciales para predecir con precisión la dinámica de los enlaces y gestionar de manera eficiente las cargas de tráfico, particularmente en entornos altamente distribuidos y en rápida evolución. Estas limitaciones resultan en una asignación ineficiente de recursos y un rendimiento subóptimo de la red. Para abordar estos desafíos, este documento propone una arquitectura de programación elástica de recursos de red basada en VANT, que integra el algoritmo Graph-Autoencoder-GAN-LSTM (GA-GLU) para la predicción precisa de enlaces y el algoritmo FlowBender-Enhanced Reinforcement Learning for Load Balancing (FERL-LB) para el equilibrio dinámico de cargas de tráfico. GA-GLU predice con precisión los cambios dinámicos en las topologías de redes de VANT, lo que permite una programación adaptativa y eficiente de los recursos de la red. FERL-LB aprovecha estas predicciones para optimizar el equilibrio de carga de tráfico dentro de la arquitectura, mejorando tanto el rendimiento como la utilización de recursos. Para validar la efectividad de GA-GLU, se realizan comparaciones con métodos clásicos como CN y Katz, así como enfoques modernos como Node2vec y GAE-LSTM, que son comúnmente utilizados para la predicción de enlaces. Los resultados experimentales demuestran que GA-GLU supera consistentemente a estos competidores en métricas como AUC, MAP y tasa de error. La integración de GA-GLU y FERL-LB dentro de la arquitectura propuesta mejora significativamente el rendimiento de la red en entornos altamente dinámicos.