Los drones, parte del Internet de las Cosas (IoT) voladoras, se han utilizado ampliamente en varios campos industriales, incluyendo rescate, entrega, militar y agricultura. Los motores conectados a las hélices de un dron juegan un papel crucial en su movimiento. Sin embargo, una vez que el motor se daña, el dron corre el riesgo de caer. Por lo tanto, para evitar que el dron caiga, es necesario predecir de manera precisa y confiable la vibración del motor. En este estudio, se pronostican cuatro tipos de datos de vibración de series temporales recopilados en el dominio temporal de los motores utilizando memoria a corto y largo plazo (LSTM) y unidad recurrente cerrada (GRU), y se comparan y examinan la precisión y eficiencia temporal de las formas de onda de vibración predichas y reales. Según los resultados de la simulación, los valores del coeficiente de determinación y del error cuadrático medio obtenidos de las vibraciones reales y predichas por el LSTM y GRU son similares. Además, tanto el LSTM como el GRU muestran un excelente rendimiento en predecir la vibración futura del motor, pero el GRU puede predecir la vibración futura aproximadamente un 22.79% más rápido que el LSTM.