Las Redes Neuronales Recurrentes (RNNs) son conocidas por su capacidad para aprender relaciones dentro de secuencias temporales. Las redes de Unidad Recurrente Con Puerta (GRU) han encontrado uso en aplicaciones desafiantes dependientes del tiempo, como el Procesamiento de Lenguaje Natural (NLP), el análisis financiero y la fusión de sensores, debido a su capacidad para hacer frente al problema del gradiente que desaparece. Se sabe que las GRUs son también más eficientes computacionalmente que su variante, la red neuronal de Memoria a Largo y Corto Plazo (LSTM), debido a su estructura menos compleja y, como tal, son más adecuadas para aplicaciones que requieren una gestión más eficiente de los recursos computacionales. Muchas de estas aplicaciones requieren un mapeo más fuerte de sus características para mejorar aún más la precisión de la predicción. En este artículo se propone una nueva Unidad Recurrente Con Puerta Cuaternión (QGRU), que aprovecha las dependencias internas y externas dentro del álgebra cuaternión para mapear correlaciones dentro y entre características multidimensionales. La QGRU puede utilizarse para capturar de manera eficiente las interdependencias y dependencias internas dentro de características multidimensionales, a diferencia de la GRU, que solo captura las dependencias dentro de la secuencia. Además, el rendimiento del método propuesto se evalúa en un problema de fusión de sensores que involucra la navegación en entornos privados del Sistema Global de Navegación por Satélite (GNSS), así como en un problema de reconocimiento de actividades humanas. Los resultados obtenidos muestran que la QGRU produce resultados competitivos con casi 3.7 veces menos parámetros en comparación con la GRU.