Una trayectoria de cuatro dimensiones (4D) es una serie temporal multidimensional que incorpora ricas características espaciotemporales. Sin embargo, su alta complejidad y la incertidumbre inherente plantean desafíos significativos para una predicción precisa. En este artículo, presentamos un nuevo modelo de predicción de trayectorias 4D que integra redes neuronales convolucionales (CNN), redes de memoria a largo y corto plazo bidireccionales (BiLSTM) y mecanismos de atención multi-cabeza. Este modelo aborda eficazmente las características de las trayectorias de vuelo de aeronaves y las dificultades asociadas con la extracción simultánea de características espaciotemporales utilizando métodos de predicción existentes. Específicamente, aprovechamos las capacidades de extracción de características locales de las CNN para extraer características espaciales y temporales clave de los datos de trayectoria originales, como información sobre la forma geométrica y patrones de cambio dinámico. La red BiLSTM se emplea para considerar tanto los órdenes temporales hacia adelante como hacia atrás en los datos de trayectoria, lo que permite una captura más completa de las dependencias a largo plazo. Además, introducimos un mecanismo de atención multi-cabeza que mejora la capacidad del modelo para identificar con precisión información clave en los datos de trayectoria mientras minimiza la interferencia de información redundante. Validamos nuestro enfoque a través de experimentos realizados en un conjunto de datos de trayectoria ADS-B real. Los resultados experimentales demuestran que el método propuesto supera significativamente a los enfoques comparativos en términos de precisión de estimación de trayectorias.