La predicción de trayectorias de objetos circundantes juega un papel fundamental en el campo de los vehículos autónomos. En el proceso actual de implementación, sufre de una acumulación de errores, lo que tiene un impacto negativo en la precisión de la predicción. Este documento propone un método de mínimos cuadrados recursivos (RLS) de aprendizaje paramétrico integrado con un marco codificador-decodificador para la predicción de trayectorias, llamado red de refinamiento basada en mínimos cuadrados recursivos (RRN). A través de la generación de varios anclajes en la trayectoria futura, RRN puede capturar patrones de movimiento locales y globales. Realizamos experimentos en los datasets prevalentes NGSIM e INTERACTION, que contienen varios escenarios como autopistas, intersecciones y rotondas. Los resultados prometedores indican que RRN podría mejorar de manera efectiva el rendimiento de la predicción de trayectorias de implementación.