La predicción precisa del movimiento de drones dentro de corredores aéreos urbanos estructurados es esencial para garantizar operaciones seguras y eficientes en los sistemas de Movilidad Aérea Urbana (UAM). Aunque las regulaciones de Identificación Remota (Remote ID) en el mundo real requieren que los drones transmitan información crítica de vuelo, como la velocidad, el acceso a datos de transmisión de alta calidad y a gran escala sigue siendo limitado. Para abordar esto, este estudio aprovecha un marco de Gemelo Digital (DT) para aumentar las transmisiones espaciotemporales de Remote ID, emulando el entorno de detección del denso espacio aéreo urbano. Utilizando datos de Remote ID, proponemos BiDGCNLLM, un marco de predicción híbrido que integra una Red Neuronal Convolucional Bidireccional (BiGCN) con Ponderación Dinámica de Aristas y un Modelo de Lenguaje Grande reprogramado (LLM, Qwen2.5-0.5B) para capturar dependencias espaciales y patrones temporales en las trayectorias de velocidad de los drones. El modelo pronostica variaciones de velocidad a corto plazo en los drones circundantes, apoyando la evitación proactiva de conflictos en corredores aéreos restringidos. Los resultados de la plataforma de co-simulación AirSUMO y un réplica DT del campus de la Universidad de Cranfield muestran que BiDGCNLLM supera a los modelos de series temporales de última generación en la predicción de velocidad a corto plazo. En comparación con Transformer-LSTM, BiDGCNLLM mejora marginalmente el R2 en un 11.59%. Este estudio introduce la integración de LLMs en la predicción de drones basada en grafos dinámicos. Muestra el potencial de las transmisiones de Remote ID para habilitar soluciones de seguridad aérea escalables y en tiempo real en UAM.