Predecir con precisión las velocidades del viento es de gran importancia en varias aplicaciones de ingeniería, como la operación de trenes de alta velocidad. Los modelos de aprendizaje automático son efectivos en este campo. Sin embargo, los estudios existentes generalmente proporcionan predicciones determinísticas y utilizan técnicas de descomposición previas para mejorar el rendimiento predictivo, lo que puede encontrarse con fugas de datos y no capturar la naturaleza estocástica de los datos del viento. Este trabajo propone un marco avanzado para la predicción y la alerta temprana de las velocidades del viento mediante la combinación de la unidad recurrente con compuerta optimizada (GRU) y el estimador de densidad de núcleo adaptativo (AKDE). Primero, se recopilaron 12 muestras (26,280 puntos cada una) de una extensa base de datos abierta. Luego, se emplearon tres algoritmos metaheurísticos representativos para optimizar los parámetros de diversos modelos, incluidas máquinas de aprendizaje extremo, un modelo transformador y redes recurrentes. Los resultados arrojaron una selección óptima utilizando el GRU y el optimizador de puerco espín crestado. Posteriormente, mediante el uso del AKDE, se pudieron obtener la densidad de probabilidad conjunta y la función de distribución acumulativa de las predicciones del viento y los errores de predicción relacionados. Luego, fue posible calcular la probabilidad condicional de que la velocidad real del viento exceda el valor crítico, proporcionando así predicciones basadas en probabilidades de manera multinivel. Una comparación del rendimiento predictivo de varios métodos y la precisión de las decisiones posteriores validaron el marco propuesto.