Los Vehículos Aéreos No Tripulados (VANT) se han convertido en herramientas esenciales en dominios críticos, incluyendo la inspección de infraestructuras, la monitorización de la seguridad pública, la vigilancia del tráfico, la detección ambiental y el seguimiento de objetivos, gracias a su capacidad para recopilar datos espaciales de alta resolución de manera rápida. Sin embargo, mantener trayectorias de vuelo estables y precisas sigue siendo un desafío significativo, particularmente durante misiones autónomas en entornos dinámicos o inciertos. Este estudio presenta un nuevo marco de predicción de trayectorias de vuelo basado en Unidades Recurrentes Gated (GRUs), diseñado para la predicción de coordenadas de VANT en cuatro dimensiones, Este (X), Norte (Y), Altitud (Z) y Tiempo (T), utilizando datos históricos de vuelo de sensores. El rendimiento del modelo fue validado sistemáticamente en comparación con arquitecturas tradicionales de Redes Neuronales Recurrentes. En datos de prueba no vistos, el modelo GRU demostró una mayor precisión predictiva en la predicción de un solo paso, logrando un MAE de 0.0036, un Error Cuadrático Medio (RMSE) de 0.0054 y un (R2) de 0.9923. Crucialmente, en la predicción a múltiples pasos diseñada para simular desafíos del mundo real como las interrupciones de GPS, el modelo GRU mantuvo una estabilidad excepcional y un bajo error, confirmando su resistencia a la acumulación de errores. Los hallazgos establecen que el modelo basado en GRU es una solución altamente precisa, computacionalmente eficiente y confiable para la predicción de trayectorias de VANT. Este marco mejora la navegación autónoma y apoya directamente la integridad de los datos requeridos para la cartografía fotogramétrica de alta fidelidad, asegurando una evaluación confiable del sitio en entornos complejos y dinámicos.