La clasificación de series temporales (TSC) es siempre un tema de investigación muy importante en muchos dominios de aplicación del mundo real. MultiRocket ha demostrado ser un enfoque eficiente para TSC, al agregar múltiples operadores de agrupación y una transformación de diferencia de primer orden. Para clasificar series temporales con mayor precisión, este estudio propone un algoritmo de aprendizaje de conjunto híbrido que combina la Descomposición Modal Empírica de Conjunto Complementario (CEEMD) con MultiRocket mejorado, a saber, CEEMD-MultiRocket. En primer lugar, utilizamos el método de descomposición CEEMD para descomponer series temporales en crudo en tres subseries: dos Funciones de Modo Intrínseco (IMFs) y un residuo. Luego, la selección de estas subseries descompuestas se ejecuta en el conjunto de entrenamiento conocido comparando la precisión de clasificación de cada IMF con la de la serie temporal en crudo utilizando un umbral dado. Finalmente, optimizamos los núcleos de convolución y los operadores de agrupación, y aplicamos nuestro MultiRocket mejorado a la serie temporal en crudo, las subseries descompuestas seleccionadas y la diferencia de primer orden de la serie temporal en crudo para generar los resultados de clasificación finales. Se realizaron experimentos en 109 conjuntos de datos del repositorio de series temporales de UCR para evaluar el rendimiento de clasificación de nuestro CEEMD-MultiRocket. Los extensos resultados experimentales demuestran que nuestro CEEMD-MultiRocket tiene el segundo mejor rango promedio en precisión de clasificación frente a una variedad de modelos de TSC de última generación (SOTA). Específicamente, CEEMD-MultiRocket es significativamente más preciso que MultiRocket, aunque requiere un tiempo relativamente largo, y es competitivo con el modelo actualmente más preciso, HIVE-COTE 2.0, solo con el 1,4% de la carga informática de este último.