Este documento presentó un nuevo enfoque de aprendizaje en conjunto, basado en mapas cognitivos difusos evolutivos (FCMs), redes neuronales artificiales (ANNs) y su estructura híbrida (FCM-ANN), para la predicción de series temporales. El objetivo principal de la predicción de series temporales es obtener pronósticos razonablemente precisos de datos futuros a partir del análisis de registros de datos. En el documento, propusimos una metodología de combinación de pronósticos basada en ensambles como un enfoque alternativo a los métodos de pronóstico para la predicción de series temporales. La técnica de aprendizaje en conjunto combina varios algoritmos de aprendizaje, incluidos FCMs basados en SOGA (algoritmo genético de optimización de estructuras), FCMs basados en RCGA (algoritmo genético codificado en tiempo real), arquitecturas de ANNs eficientes y adaptativas, y una estructura híbrida de FCM-ANN, propuesta recientemente para la predicción de series temporales. Todos los algoritmos de ensamble se ejecutan de acuerdo con el régimen de predicción de un paso. El enfoque particular de combinación de pronósticos fue seleccionado específicamente debido a las características avanzadas de cada componente del ensamble, donde los hallazgos de este trabajo evidenciaron la efectividad de este enfoque, en términos de precisión de predicción, cuando se compara con otros enfoques de pronóstico conocidos e independientes, como ANNs o FCMs, y el algoritmo de memoria a corto y largo plazo (LSTM) también. El enfoque de aprendizaje en conjunto sugerido se aplicó a tres puntos de distribución que componen la red de gas natural de una región griega. Para la evaluación del enfoque propuesto, se utilizó un conjunto de datos de series temporales en tiempo real para la predicción de gas natural. También proporcionamos una discusión detallada sobre el rendimiento de los predictores individuales, los predictores de ensamble y su combinación a través de dos métodos de ensamble bien conocidos (el promedio y el basado en el error) que se caracterizan en la literatura como particularmente precisos y efectivos. Los resultados de la predicción mostraron la eficacia del enfoque de aprendizaje en conjunto propuesto, y el análisis comparativo demostró suficiente evidencia de que el enfoque podría utilizarse de manera efectiva para realizar pronósticos basados en series temporales multivariadas.