Ha habido varios eventos catastróficos que han impactado múltiples economías y resultado en miles de fatalidades, y la violencia ha generado una grave crisis política y financiera. Varios estudios se han centrado en los enfoques de inteligencia artificial (IA) y aprendizaje automático (AA) que son más utilizados en la práctica para detectar o prever actividades violentas. Sin embargo, los algoritmos de aprendizaje automático se vuelven menos precisos en la identificación y previsión de actividades violentas a medida que aumenta el volumen y la complejidad de los datos. Para la predicción de eventos futuros, proponemos un modelo híbrido basado en aprendizaje profundo (AP) que está compuesto por una red neuronal convolucional (RNC), memoria a largo y corto plazo (LSTM) y una capa de atención para aprender características temporales del referente de la Base de Datos Global de Terrorismo (GTD). La GTD es una base de datos reconocida internacionalmente que incluye alrededor de 190,000 eventos y ocurrencias violentas en todo el mundo desde 1970 hasta 2020. Tuvimos en cuenta dos factores para este trabajo experimental: el tipo de evento y el tipo de objeto utilizado. El modelo LSTM toma estas extracciones de características complejas de la RNC primero para determinar el vínculo cronológico entre los puntos de datos, mientras que el modelo de atención se utiliza para la predicción de series temporales de un evento. Los resultados muestran que el modelo propuesto logró buenas precisiones para ambos casos -tipo de evento y tipo de objeto- en comparación con estudios de referencia que utilizan el mismo conjunto de datos (98.1% y 97.6%, respectivamente).