Hasta la fecha, varias alteraciones en el patrón de marcha pueden ser tratadas a través de enfoques rehabilitativos y terapia asistida por robots (RAT). Los datos de marcha y las trayectorias de marcha son esenciales en estrategias de control específicas de exoesqueletos. Sin embargo, la escasez de datos de marcha humana debido al alto costo de la recolección de datos o preocupaciones de privacidad puede obstaculizar el rendimiento de los controladores o modelos. Este artículo, por lo tanto, primero crea un método de aumento de datos basado en GANs (Redes Generativas Antagónicas) para generar datos sintéticos de marcha humana mientras se retienen las dinámicas de los datos de marcha reales. Luego, tanto los datos de marcha reales recolectados como los datos de marcha sintetizados se alimentan a nuestro modelo de atención de dos etapas construido para la predicción de trayectorias de marcha. Los datos de marcha humana reales se recolectan con cinco sujetos sanos reclutados de una plataforma de captura de movimiento óptico. Los resultados experimentales indican que el modelo de aumento de datos basado en GANs creado puede sintetizar datos de marcha humana multidimensionales que parecen realistas. Además, el modelo de atención de dos etapas tiene un mejor rendimiento en comparación con el modelo LSTM; el mecanismo de atención muestra una mayor capacidad para aprender dependencias entre los datos de marcha históricos para predecir con precisión los valores actuales de los ángulos de la articulación de la cadera y los ángulos de la articulación de la rodilla en la trayectoria de marcha. Las trayectorias de marcha predichas, dependiendo de los datos de marcha históricos, pueden ser utilizadas posteriormente para estrategias de seguimiento de trayectorias de marcha.