Para abordar el problema de los errores de navegación crecientes en vehículos autónomos submarinos (AUV) de bajo costo que operan sin posicionamiento asistido bajo el agua, este documento propone un Modelo de GPS Virtual (VGPSM) basado en el aprendizaje profundo de secuencias. Este modelo se integra con un Filtro de Kalman Extendido (EKF) para proporcionar una solución de navegación de alta precisión para los AUV. El VGPSM aprovecha las características de series temporales de los datos de sensores como el Sistema de Referencia de Actitud y Rumbo (AHRS) y el Registro de Velocidad Doppler (DVL) mientras el AUV está en la superficie. Aprende la relación entre estos datos de sensores y los datos de GPS utilizando un modelo híbrido de Memoria a Largo y Corto Plazo (LSTM) y Memoria a Largo y Corto Plazo Bidireccional (Bi-LSTM), que son adecuados para procesar y predecir datos de series temporales. Este enfoque construye un modelo de GPS virtual que genera desplazamientos de GPS virtuales actualizados a la misma frecuencia que los datos de GPS reales. Cuando el AUV navega bajo el agua, los desplazamientos de GPS virtuales generados utilizando el VGPSM en tiempo real se utilizan como mediciones para ayudar al EKF en la estimación del estado, mejorando así la precisión y robustez de la navegación submarina. La efectividad del método propuesto se valida a través de una serie de experimentos bajo diversas condiciones. Los resultados experimentales demuestran que el método propuesto reduce significativamente los errores acumulativos, con mejoras en la precisión de navegación que oscilan entre el 29.2% y el 69.56% en comparación con el EKF estándar, lo que indica una fuerte adaptabilidad y robustez.