Las actividades de los ejes rotativos de una máquina herramienta de cinco ejes generan calor, lo que provoca cambios de temperatura dentro de la máquina que contribuyen a desviaciones del punto central de la herramienta (TCP). La predicción en tiempo real de estos errores volumétricos inducidos térmicamente (TVEs) en diferentes posiciones dentro del espacio de trabajo puede utilizarse para su compensación. Se propone un modelo de Memorias a Largo y Corto Plazo Apiladas (SLSTMs) para encontrar la relación entre el TVE para diferentes posiciones de comando de los ejes y los consumos de energía de los ejes rotativos, así como las posiciones de los ejes lineales y rotativos de la máquina. Además, también se utiliza un modelo de Unidades Recurrentes Gated Apiladas (SGRUs) para predecir algunos casos, que son las mejores y peores predicciones de SLSTMs para conocer las capacidades de sus predicciones. Los datos de entrenamiento provienen de un experimento de actividad de movimiento prolongado que dura 132 horas (528 ciclos de medición). Se utiliza un optimizador de momento adaptativo con decaimiento de peso desacoplado (AdamW) para fortalecer los modelos y aumentar la calidad de la predicción. La predicción a múltiples pasos en la fase de prueba se aplica a siete posiciones no utilizadas para el entrenamiento en la secuencia de actividad larga y a 31 posiciones en una secuencia de actividad corta diferente de los ejes rotativos que dura un total de 40 horas (160 ciclos) para probar la capacidad del modelo entrenado. La fase de prueba con SLSTMs produce ajustes entre los valores predichos y los datos medidos (sin utilizar los valores medidos como objetivos) del 69.2% al 98.8%. Los SGRUs muestran un rendimiento similar al de los SLSTMs sin un ganador claro.