Este estudio presenta una novedosa estrategia cooperativa de conducción de aves utilizando enjambres de vehículos aéreos no tripulados (UAV), específicamente diseñados para entornos aeroportuarios, para mitigar los riesgos planteados por la interferencia de aves con las operaciones de aeronaves. Nuestro enfoque introduce un marco de predicción de trayectoria objetivo que integra redes de memoria a largo plazo (LSTM) con algoritmos de filtro de Kalman (KF), mejora la velocidad de respuesta de los enjambres de UAV en tareas de conducción de aves, optimiza la asignación de tareas y mejora la precisión y precisión de la predicción de trayectorias, haciendo que todo el proceso de conducción de aves sea más eficiente y preciso. Dentro de este marco, los enjambres de UAV colaboran para conducir aves que invaden áreas protegidas designadas, optimizando así las operaciones de conducción de aves. Presentamos una estrategia distribuida y colaborativa de conducción de aves para garantizar una coordinación efectiva entre los miembros del enjambre de UAV. Experimentos de simulación demuestran que nuestra estrategia conduce efectivamente objetivos que cambian dinámicamente, evitando que permanezcan dentro del área protegida. La solución propuesta integra la predicción de trayectoria de objetivos dinámicos utilizando LSTM y Kalman Filter, la optimización de la asignación de tareas a través del algoritmo húngaro y la planificación de trayectorias de Dubins en 3D. Este enfoque innovador no solo mejora la eficiencia operativa de la conducción de aves en entornos aeroportuarios, sino que también destaca el potencial de los enjambres de UAV para realizar misiones aéreas en escenarios complejos. Nuestro trabajo hace una contribución significativa al campo de la colaboración de enjambres de UAV y proporciona ideas prácticas para aplicaciones del mundo real.