Se espera que las redes móviles enfrenten problemas importantes como baja capacidad de red, alta latencia y recursos limitados, pero se espera que proporcionen conectividad continua en un futuro previsible. Es crucial ofrecer un nivel adecuado de rendimiento para los servicios de red y garantizar una calidad aceptable de los servicios para los usuarios móviles. La gestión inteligente de la movilidad es una solución prometedora para abordar los problemas mencionados. En este contexto, modelar el comportamiento de movilidad del usuario es de gran importancia para extraer información valiosa sobre los comportamientos de los usuarios y satisfacer sus demandas. En este artículo, proponemos un enfoque híbrido de predicción de movilidad del usuario para la gestión de traspasos en redes móviles. Primero, extraemos patrones de movilidad del usuario utilizando un modelo de movilidad basado en modelos estadísticos y algoritmos de aprendizaje profundo. Implementamos un modelo de autorregresión vectorial (VAR) y una unidad recurrente con compuertas (GRU) para predecir la trayectoria futura de un usuario. Luego, reducimos el número de mensajes de señalización de traspaso innecesarios y optimizamos el procedimiento de traspaso utilizando los resultados de predicción obtenidos. Implementamos datos de movilidad generados a partir de usuarios reales para llevar a cabo nuestros experimentos. Los resultados de la simulación muestran que el modelo de movilidad VAR-GRU propuesto tiene el menor error de predicción en comparación con los métodos existentes. Además, investigamos los costos de procesamiento y transmisión de traspasos para escenarios predictivos y no predictivos. Se demuestra que los costos relacionados con el traspaso disminuyen efectivamente cuando obtenemos una predicción en la red. Para el traspaso vertical, el costo de procesamiento y el costo de transmisión mejoran, respectivamente, en un 57.14% y un 28.01%.