La tecnología de reabastecimiento aéreo autónomo (AAR) es de crucial importancia en el campo de la aviación. Predecir con precisión la posición del drogue de reabastecimiento es un desafío central en la implementación de esta tecnología. Se propone un método innovador de una red neuronal informada por la física (PINN), una fusión de aprendizaje supervisado y no supervisado, que integra información física con una red neuronal de memoria a corto y largo plazo aumentada por atención (AALSTM). Al construir un modelo físico del drogue de reabastecimiento, se proporcionan restricciones físicas precisas para el modelo de predicción. Mientras tanto, se diseña una arquitectura de red neuronal AALSTM para predecir estados parciales del drogue de reabastecimiento y parámetros del modelo dinámico. Se introduce un mecanismo aumentado por atención para mejorar la capacidad de capturar información clave. Experimentos de simulación verifican que la introducción de un mecanismo aumentado por atención basado en el LSTM convencional puede mejorar la precisión de la predicción. La PINN supera significativamente al método LSTM convencional en precisión de predicción, proporcionando un fuerte apoyo para el desarrollo de la tecnología AAR.