La predicción de movimiento humano basada en esqueletos tridimensionales es una tarea esencial y desafiante para las interacciones humano-máquina, con el objetivo de predecir poses futuras dadas un historial de movimientos previos. Sin embargo, los métodos existentes a menudo no logran modelar de manera efectiva los cambios dinámicos y optimizar las características espacio-temporales. En este documento, presentamos las Redes Híbridas basadas en Diferenciación Dinámica (2DHnet), que aborda estos problemas con dos innovaciones: el Extractor de Dependencias Diferenciales Dinámicas (2D-DE) para capturar características dinámicas como la velocidad y la aceleración, y el Extractor de Dependencias Espacio-Temporales basado en Atención (AST-DE) para mejorar las correlaciones espacio-temporales. El 2DHnet combina estos en una red de doble rama, ofreciendo una representación de movimiento integral. Los experimentos en los conjuntos de datos Human3.6M y 3DPW muestran que 2DHnet supera significativamente a los métodos existentes, con mejoras promedio del 4.7% y 26.6% en MPJPE, respectivamente.