Los modelos de predicción de trayectorias altamente precisos pueden lograr la optimización de rutas y ahorrar recursos del espacio aéreo, lo cual es una tecnología crucial y un enfoque de investigación para la nueva generación de control de tráfico aéreo inteligente. Con el objetivo de abordar los problemas de extracción inadecuada de características de trayectoria y la dificultad para superar la memoria a corto plazo de las series temporales en la predicción de trayectorias existente, se propone un modelo de predicción de trayectorias basado en una red de memoria a corto y largo plazo bidireccional (BiLSTM) combinada con una red neuronal convolucional (CNN) junto con atención dual y optimización mediante algoritmo genético (GA). Primero, para extraer de manera autónoma la asociación de datos entre las características de entrada y las características de trayectoria, así como resaltar la influencia de características importantes, se añadió un mecanismo de atención a una arquitectura CNN convencional para desarrollar un módulo de atención de características. Se introdujo un mecanismo de atención en la salida de la red BiLSTM para formar un módulo de atención temporal que mejora la influencia de información histórica importante, y se utilizó GA para optimizar los hiperparámetros del modelo y lograr el mejor rendimiento. Finalmente, una comparación multifacética con otros modelos típicos de predicción de series temporales basados en datos de vuelos reales verifica que el modelo de predicción basado en la optimización de hiperparámetros y un mecanismo de atención dual tiene ventajas significativas en términos de precisión de predicción y aplicabilidad.