Debido al potencial de que el radar aéreo capture información observacional incompleta sobre las trayectorias de vehículos aéreos no tripulados (UAV), este estudio presenta un enfoque novedoso llamado Node-former, que integra ecuaciones diferenciales ordinarias neuronales (NODEs) y el marco Informer. El método propuesto muestra una alta precisión en la predicción de trayectorias, incluso en escenarios con interrupciones prolongadas de datos. Inicialmente, los datos fuera del rango de error aceptable se descartan para mitigar el impacto de las interrupciones en la precisión de la predicción. Posteriormente, para abordar el muestreo irregular causado por la eliminación de datos, se utilizan NODEs para transformar la interpolación computacional en un problema de valor inicial (IPV), preservando así características informativas. Además, este estudio mejora el codificador de Informer mediante la utilización de conocimiento previo de series temporales e introduce un solucionador de EDO como decodificador para mitigar las fluctuaciones en la salida del decodificador original. Este enfoque no solo acelera la extracción de características para datos de secuencias largas, sino que también garantiza valores de salida suaves y robustos. Los resultados experimentales demuestran el rendimiento superior de Node-former en la predicción de trayectorias con datos interrumpidos en comparación con algoritmos tradicionales.