Predecir con precisión el movimiento del ganado es un pilar de la agricultura de precisión, lo que permite una gestión más inteligente de los recursos, una mejora en el bienestar animal y un aumento de la productividad. Sin embargo, la naturaleza impredecible y dinámica del comportamiento del ganado plantea desafíos significativos para los modelos tradicionales de predicción de movilidad. Este estudio presenta LSTM-H, un modelo híbrido de aprendizaje profundo que combina el poder del aprendizaje secuencial de las redes de Memoria a Largo y Corto Plazo (LSTM) con las capacidades de corrección en tiempo real de los Filtros de Kalman (KF) para mejorar la predicción del movimiento del ganado dentro de los marcos de monitoreo basados en UAV. Los resultados demuestran que LSTM-H logra un error medio de solo 11.51 m para el primer paso y 40.68 m en un horizonte de predicción de 30 pasos, superando a los modelos de última generación entre 4.3 y 14.8 veces. Además, LSTM-H exhibe robustez en condiciones ruidosas y dinámicas, con una probabilidad del 90% de errores por debajo de 13 m, como se muestra a través del análisis de errores acumulativos. Esta precisión mejorada permite a los UAV optimizar las trayectorias de vuelo, reduciendo el consumo de energía y mejorando la eficiencia del monitoreo en entornos agrícolas del mundo real. Al unir el aprendizaje profundo y el filtrado adaptativo, LSTM-H no solo mejora la precisión de la predicción, sino que también allana el camino para sistemas de monitoreo de ganado y UAV escalables y en tiempo real con un potencial transformador para la agricultura de precisión.