Un desafío importante en las comunicaciones de dispositivo a dispositivo (D2D) es determinar los modos de comunicación apropiados para cada par potencial de D2D. En las redes dinámicas, el movimiento continuo de los dispositivos aumenta la complejidad de la modelización del estado del canal, lo que dificulta predecir la calidad del servicio de red y seleccionar umbrales de conmutación apropiados, afectando en última instancia la precisión de la selección del modo D2D. Este documento propone un novedoso método de selección de modo D2D, que integra el aprendizaje profundo con el aprendizaje estadístico e incluye tres módulos: predicción de la relación señal-a-interferencia-más-ruido (SINR), análisis de errores y selección de umbrales. Específicamente, el módulo de predicción SINR emplea el método de unidad recurrente con compuerta (GRU) para predecir los valores futuros de SINR; el módulo de análisis de errores aplica un método no paramétrico para construir una función de densidad de probabilidad del error de predicción. La combinación de estos dos módulos proporciona una mejora significativa en la precisión del valor de predicción. Además, en el módulo de selección de umbrales, se introducen de manera innovadora dos restricciones para mitigar el problema de conmutación frecuente: fiabilidad promedio (AR) y fiabilidad probablemente correcta (PCR). Los resultados de la simulación demuestran que el método propuesto logra un mayor rendimiento del sistema, un mayor tiempo de residencia en el modo D2D y una menor frecuencia de conmutación de modos en comparación con otros métodos.