Asegurar la preparación del conductor para asumir el control antes de que se emita una solicitud de toma de control por parte de un sistema de conducción autónoma es crucial para una toma de control segura. Sin embargo, los modelos actuales de predicción de toma de control sufren de baja precisión en las predicciones y no consideran la dependencia temporal de las características de entrada. En este sentido, este estudio propone un algoritmo híbrido LSTM-BiLSTM-ATENCIÓN para la predicción del rendimiento en la toma de control del conductor. Al construir un escenario de toma de control y realizar experimentos en la plataforma experimental de simulación de conducción bajo un entorno de co-conducción humano-máquina, se extraen los indicadores de estado relevantes en los 15 segundos previos al envío de la solicitud de toma de control desde tres perspectivas: estado del conductor, entorno de tráfico y atributos personales, como entradas del modelo, y se etiqueta el nivel de rendimiento en la toma de control; se utiliza el algoritmo híbrido LSTM-BiLSTM-ATENCIÓN para construir un modelo de predicción del rendimiento en la toma de control del conductor y se compara con otros cinco algoritmos. Los resultados muestran que el algoritmo propuesto en este estudio tiene un rendimiento óptimo, con una precisión del 93.11%, una exactitud del 93.02%, un recall del 93.28% y una puntuación F1 del 93.12%. Este estudio proporciona nuevas ideas y métodos para realizar la predicción precisa del rendimiento en la toma de control del conductor, y puede ofrecer una base de decisión para el diseño seguro de vehículos autónomos.