La previsión fiable de indicadores de calidad de servicio (QoS) de red, como la latencia, el jitter y la pérdida de paquetes, es esencial para gestionar aplicaciones en tiempo real y sensibles al riesgo. Este estudio aborda el desafío de la cuantificación de la incertidumbre en la predicción de QoS al proponer un marco de Trabajo de Memoria a Largo y Corto Plazo (LSTM) mejorado por regresión bayesiana (BR-LSTM). El método integra estimaciones de varianza media bayesiana en el aprendizaje secuencial de LSTM para permitir pronósticos puntuales precisos y intervalos de confianza bien calibrados. Se realizan experimentos utilizando una plataforma de emulación basada en Mininet que simula entornos de red de deportes electrónicos dinámicos. El modelo propuesto se compara con diez líneas base probabilísticas y deterministas, incluyendo ARIMA, Regresión de Proceso Gaussiano, Redes Neuronales Bayesiana y LSTM con Monte Carlo Dropout. Los resultados demuestran que BR-LSTM logra una precisión competitiva mientras proporciona intervalos de incertidumbre que mejoran la confianza en la decisión para la gestión de Acuerdos de Nivel de Servicio (SLA). El límite superior calibrado (+k) se puede comparar directamente con los umbrales de SLA para emitir advertencias tempranas y priorizar el reenvío, el ritmo o los ajustes de bitrate cuando el límite se acerca o supera los límites de la política, mientras que la calibración controla las falsas alarmas y previene intervenciones innecesarias. Los hallazgos destacan el potencial de la previsión consciente de la incertidumbre para sistemas de información inteligentes en redes críticas en latencia.