Predecir las trayectorias de los vehículos circundantes es importante para evitar o mitigar colisiones con los participantes del tráfico. Sin embargo, debido a la información pasada limitada y la incertidumbre en los movimientos de conducción futuros, la predicción de trayectorias es una tarea desafiante. Recientemente, se han abordado modelos de predicción de trayectorias que utilizan algoritmos de aprendizaje automático para resolver este problema. En este documento, presentamos un método de predicción de trayectorias basado en el algoritmo de bosque aleatorio (RF) y la arquitectura codificador-decodificador de memoria a corto y largo plazo (LSTM). Se define primero un mapa de rejilla de ocupación para la región que rodea al vehículo objetivo, y luego se determinan la fila y la columna que ocupará el vehículo objetivo en los pasos de tiempo futuros utilizando el algoritmo RF y la arquitectura codificador-decodificador LSTM, respectivamente. Para la recopilación de datos de entrenamiento, el vehículo de prueba estaba equipado con una cámara y sensores LIDAR junto con dispositivos de comunicación inalámbrica vehicular, y se realizaron experimentos bajo varios escenarios de conducción. Los resultados de las pruebas de vehículos demuestran que el método propuesto proporciona una predicción de trayectoria más robusta en comparación con los métodos de predicción de trayectorias existentes.