La ocurrencia de tifones representa una gran amenaza para la vida y la propiedad de las personas; por lo tanto, es importante predecir con precisión las trayectorias de los tifones para la prevención y reducción de desastres. En los últimos años, la investigación utilizando métodos tradicionales de aprendizaje automático ha tenido dificultades para incluir características temporales y espaciales. Además, la investigación realizada utilizando solo imágenes satelitales no considera la influencia de factores físicos en el movimiento de los tifones; por lo tanto, este documento propone agregar una capa convolucional al modelo Convolutional LSTM (ConvLSTM) para mejorar la capacidad del modelo de extraer imágenes. Las posiciones anteriores del centro del tifón están marcadas en imágenes de reanálisis posteriores. Las coordenadas posteriores del centro del tifón se encuentran ajustando las coordenadas predichas de cada variable física. El método de investigación en este documento requirió seleccionar el grupo de variables físicas más correlacionado con la dirección y la distancia del movimiento del tifón a partir de 11 variables físicas; esto se logró utilizando Análisis de Correlación Canónica (CCA) y Análisis de Relación Gris (GRA). Luego, los datos de reanálisis se transforman en imágenes y una serie continua de secuencias de imágenes de reanálisis se introduce en el modelo ConvLSTM para que pueda realizar predicciones. El error absoluto medio de distancia utilizado para el conjunto de datos ERA5, utilizando el método propuesto, fue de 54.69 km; por lo tanto, se demostró la validez del modelo.