Los gráficos de conocimiento temporal (TKGs) son cruciales para modelar hechos del mundo real en evolución y se aplican ampliamente en la previsión de eventos y el análisis de riesgos. Sin embargo, los modelos de razonamiento TKG actuales tienen dificultades para separar las señales causales de las observaciones ruidosas, alinear las dinámicas temporales con las estructuras semánticas e integrar de manera efectiva el conocimiento a largo y corto plazo. Para abordar estos desafíos, proponemos la Red de Grafos de Contraste Causal Temporal (TCCGN), un marco unificado que descompone las características causales del ruido a través de la descomposición ortogonal y el aprendizaje adversarial; aplica el aprendizaje contrastivo de doble dominio para mejorar tanto la consistencia temporal como semántica; e introduce un módulo de fusión con compuerta para la integración adaptativa de características estáticas y dinámicas a través de escalas de tiempo. Experimentos extensivos en cinco puntos de referencia (ICEWS14/05-15/18, YAGO, GDELT) muestran que TCCGN supera consistentemente a los modelos anteriores. En ICEWS14, logra un 42.46% de MRR y un 31.63% de Hits@1, superando a RE-GCN por 1.21 puntos. En el conjunto de datos GDELT de alto ruido, mejora el MRR en un 1.0%. Estos resultados destacan la robustez de TCCGN y su promesa para tareas de razonamiento temporal en el mundo real que implican inferencia causal detallada en condiciones ruidosas.