La previsión precisa de la demanda minorista es integral para la eficiencia operativa de cualquier negocio minorista. A medida que la demanda se describe a lo largo del tiempo, la predicción de la demanda es un problema de previsión de series temporales que puede abordarse de manera univariada, a través de métodos estadísticos y enfoques de aprendizaje automático simplistas, o de manera multivariada utilizando pronosticadores de aprendizaje profundo genéricos que están bien establecidos en otros campos. Este estudio analiza, optimiza, entrena y prueba tales pronosticadores, a saber, el Temporal Fusion Transformer y la Temporal Convolutional Network, junto con el recientemente propuesto Time-Series Mixer, para prever con precisión la demanda minorista dado un conjunto de datos de ventas históricas en 45 tiendas con sus características acompañantes. Además, el presente trabajo propone una nueva extensión de la arquitectura del Time-Series Mixer, el LSTMixer, que utiliza un bloque adicional de memoria a largo y corto plazo para lograr mejores pronósticos. Los resultados indican que el modelo LSTMixer propuesto es el mejor predictor, mientras que todos los otros modelos mencionados superan a los métodos estadísticos y de aprendizaje automático comunes. También se realiza una prueba de ablación para asegurar que la extensión dentro del diseño del LSTMixer es responsable de los resultados mejorados. Los hallazgos promueven el uso de modelos de aprendizaje profundo para problemas de previsión de demanda minorista y establecen el LSTMixer como una opción viable y eficiente.