En esta investigación, abordamos el problema de predecir con precisión las maniobras de cambio de carril en las autopistas. Las maniobras de cambio de carril son un aspecto crítico de la seguridad en las autopistas y del flujo de tráfico, y la predicción precisa de estas maniobras puede tener implicaciones significativas para ambos. Sin embargo, los métodos actuales para la predicción de cambios de carril son limitados en su capacidad para manejar escenarios de conducción naturalista y a menudo requieren grandes cantidades de datos etiquetados. Nuestro modelo propuesto utiliza una red de memoria a largo y corto plazo bidireccional (BiLSTM) para analizar trayectorias de vehículos naturalistas registradas desde múltiples sensores en las autopistas alemanas. Para manejar el aspecto temporal del comportamiento del vehículo, utilizamos un enfoque de ventana deslizante, considerando las trayectorias de los vehículos precedentes y siguientes. Para abordar los desequilibrios de clase en los datos, introdujimos pesos computados mediante la media móvil. Nuestro extenso proceso de ingeniería de características resultó en un conjunto de características completo para entrenar el modelo. El modelo propuesto llena el vacío en los métodos de predicción de cambio de carril de última generación y puede aplicarse en sistemas avanzados de asistencia al conductor (ADAS) y sistemas de conducción autónoma. Nuestros resultados muestran que el enfoque basado en BiLSTM con la técnica de ventana deslizante predice eficazmente los cambios de carril con un 86% de precisión en las pruebas y una pérdida de prueba de 0.325 al considerar el contexto de los datos de entrada tanto en el pasado como en el futuro. La puntuación F1 de 0.52, la precisión de 0.41, el recall de 0.75, la precisión de 0.86 y el AUC de 0.81 también demuestran la alta capacidad del modelo para distinguir entre las dos clases objetivo. Además, el modelo logró una precisión del 83.65% con un valor de pérdida de 0.3306 en la otra mitad de las muestras de datos, y se observó que la precisión de validación mejoraba a lo largo de estas épocas, alcanzando la máxima precisión de validación del 92.53%. La puntuación F1 de 0.51, la precisión de 0.36, el recall de 0.89, la precisión de 0.82 y el AUC de 0.85 en esta muestra de datos también demuestran la fuerte capacidad del modelo para identificar tanto clases positivas como negativas. En general, nuestro enfoque propuesto supera los métodos existentes y puede contribuir significativamente a mejorar la seguridad en las autopistas y el flujo de tráfico.