Una serie temporal es una secuencia de datos ordenados en el tiempo, y generalmente se utiliza para describir cómo un fenómeno evoluciona a lo largo del tiempo. La predicción de series temporales, que estima valores futuros de series temporales, permite la implementación de estrategias de toma de decisiones. El aprendizaje profundo, el campo líder actual del aprendizaje automático, aplicado a la predicción de series temporales puede manejar series temporales complejas y de alta dimensión que generalmente no pueden ser tratadas por otras técnicas de aprendizaje automático. El objetivo del trabajo es proporcionar una revisión de las arquitecturas de aprendizaje profundo más avanzadas para la predicción de series temporales, subrayar los avances recientes y los problemas abiertos, y también prestar atención a los conjuntos de datos de referencia. Además, el trabajo presenta una clara distinción entre las arquitecturas de aprendizaje profundo que son adecuadas para la predicción a corto y largo plazo. Con respecto a la literatura existente, la principal ventaja del trabajo consiste en describir las arquitecturas más recientes para la predicción de series temporales, como Redes Neuronales de Grafos, Procesos Gaussianos Profundos, Redes Generativas Antagónicas, Modelos de Difusión y Transformadores.