La predicción precisa del movimiento del tumor para la radioterapia ha resultado desafiante debido a la naturaleza no estacionaria del movimiento inducido por la respiración, frecuentemente acompañado de irregularidades impredecibles. A pesar de la disponibilidad de numerosos métodos de predicción para el movimiento respiratorio, los errores de predicción que generan a menudo sufren de horizontes de predicción grandes, variabilidades intra-traza e irregularidades. Para superar estos desafíos, hemos empleado un método híbrido, que combina la descomposición en modos empíricos (EMD) y el enlace funcional de vector aleatorio (RVFL), denominado EMD-RVFL. En la etapa inicial, se utiliza EMD para descomponer el movimiento respiratorio en funciones de modo intrínseco (IMFs) interpretables y residuo. Posteriormente, la red RVFL se entrena para cada IMF y residuo obtenidos. Finalmente, los resultados de predicción de todas las IMFs y el residuo se suman para obtener la salida predicha final. Validamos este método propuesto en los conjuntos de datos de referencia de 304 trazas de movimiento respiratorio obtenidas de 31 pacientes para diversas longitudes de predicción, que son equivalentes a las latencias de los sistemas de radioterapia. En comparación directa con las técnicas de predicción existentes, nuestra arquitectura híbrida ofrece consistentemente un rendimiento de predicción robusto y altamente preciso. Este estudio de prueba de concepto indica que el enfoque propuesto es factible y tiene el potencial de mejorar la precisión y la efectividad del tratamiento de radioterapia.