Con el objetivo de gestionar la salud del motor, se propone un novedoso método híbrido de predicción para la predicción de la temperatura de los gases de escape (EGT) de los motores de turbina de gas. Este modelo híbrido combina un modelo autorregresivo no lineal con entrada exógena (NARX) y un modelo de media móvil (MA). Se desarrolla primero una red de memoria a largo y corto plazo mejorada con un mecanismo de atención a características (FAE-LSTM) para construir el modelo NARX, que se utiliza para identificar el motor de la aeronave utilizando parámetros de condición y parámetros de medición del camino de los gases que se correlacionan con el EGT. Luego, se utiliza un LSTM básico para construir el modelo MA, que se utiliza para mejorar la diferencia entre el EGT real y el EGT predicho por el modelo NARX. El método propuesto se evalúa utilizando datos reales del proceso de vuelo y se compara con varias técnicas de predicción dinámica. Los resultados muestran que nuestro modelo híbrido reduce el RMSE y el MAE predichos en al menos un 13.23% y un 18.47%, respectivamente. La red FAE-LSTM desarrollada puede manejar eficazmente datos dinámicos. En general, el trabajo presente demuestra un rendimiento prometedor y proporciona una guía positiva para predecir parámetros del motor.