A medida que la movilidad aérea urbana avanza rápidamente hacia su implementación en el mundo real, la predicción precisa de la trayectoria de los vehículos y la detección temprana del riesgo de colisión son vitales para operaciones seguras a baja altitud. Este estudio presenta un marco de aprendizaje profundo basado en una red LSTM-Attention que captura tanto la dinámica de vuelo a corto plazo como las dependencias a largo alcance en los datos de trayectoria. El modelo se entrena en cincuenta y seis rutas generadas a partir de una red de comercialización planificada de UAM, muestreadas a intervalos de 0.1 s. Para unificar las dimensiones espaciales, el modelo utiliza coordenadas ECEF (Earth-Centered Earth-Fixed), lo que permite cálculos eficientes de distancia euclidiana. El componente de predicción de trayectoria logra un RMSE de 0.2172, un MAE de 0.1668 y un MSE de 0.0524. El módulo de clasificación de colisiones construido sobre la base de predicción LSTM-Attention ofrece una precisión de 0.9881. El análisis de las distribuciones de pesos de atención revela qué segmentos temporales influyen más en las salidas del modelo, mejorando la interpretabilidad y guiando futuras mejoras. Además, este modelo está integrado dentro del componente de Alerta de Conflicto a Corto Plazo del módulo de Redes de Seguridad en el sistema de gestión del tráfico de UAM para proporcionar predicción continua de trayectoria y evaluación del riesgo de colisión, apoyando el control proactivo del tráfico. El sistema exhibe una robusta generalización en escenarios no vistos y ofrece una base escalable para mejorar la seguridad operativa. La validación actualmente excluye perturbaciones ambientales como viento, obstáculos físicos y registros de vuelo del mundo real. El trabajo futuro incorporará variabilidad atmosférica, incertidumbres en sensores y comunicaciones, y entradas de detección de obstáculos para avanzar hacia una solución de gestión del tráfico completamente integrada con una conciencia situacional integral.