Con el objetivo de abordar el problema de planificación de trayectorias para formaciones de UAV heterogéneos en entornos complejos, se diseña un modelo de predicción de trayectorias que combina Redes Neuronales Convolucionales (CNN) y Redes de Memoria a Largo y Corto Plazo (LSTM), y se propone un método de planificación de trayectorias en tiempo real basado en este modelo. Al preentrenar redes de predicción de trayectorias para varios tipos de UAV, se reemplazan los modelos tradicionales basados en física para la predicción de trayectorias de vuelo. Inspirado en el Control Predictivo de Modelo (MPC), en la etapa de planificación de trayectorias, el método genera puntos de trayectoria de múltiples pasos utilizando un método mejorado de campo potencial artificial (APF), estima la trayectoria real de la formación utilizando la red de predicción y optimiza la trayectoria a través de un algoritmo de optimización por enjambre de partículas multiobjetivo (MOPSO) después de evaluar los costos de planificación. Durante el vuelo real, los parámetros optimizados generan puntos de trayectoria para que la formación los siga. A diferencia de la planificación de rutas convencional basada en restricciones simples, el método propuesto planifica directamente los puntos de trayectoria en función del rendimiento de seguimiento de trayectorias, asegurando una alta viabilidad para que la formación los siga. Los resultados experimentales muestran que la red CNN-LSTM supera a otras redes tanto en la predicción de trayectorias a corto como a largo plazo. El método de planificación de trayectorias propuesto demuestra ventajas significativas en el mantenimiento de la formación, el seguimiento de trayectorias y la evitación de obstáculos en tiempo real, asegurando la estabilidad y seguridad del vuelo mientras se mantiene un vuelo a alta velocidad.