El pronóstico de series temporales representa uno de los ámbitos de investigación más desafiantes y ampliamente estudiados tanto en comunidades académicas como industriales. A pesar de los avances recientes en el aprendizaje profundo, la predicción de valores futuros de series temporales sigue siendo un esfuerzo considerable debido a la complejidad y naturaleza dinámica de los datos de series temporales. En este trabajo se propone un nuevo modelo de predicción, llamado C-KAN, para el pronóstico a varios pasos, que se basa en la integración de capas convolucionales con la arquitectura de red Kolmogorov-Arnold. Las ventajas del modelo propuesto son (i) la utilización de capas convolucionales para aprender el comportamiento y la representación interna de los datos de entrada de series temporales; (ii) activación en los bordes de la red Kolmogorov-Arnold para potencialmente alterar la dinámica de entrenamiento; y (iii) no linealidad modular para permitir el tratamiento diferenciado de características y potencialmente un control más preciso sobre la influencia de las entradas en las salidas. Además, el modelo propuesto se entrena utilizando la función de pérdida DILATE, lo que garantiza que pueda tratar eficazmente la dinámica y alta volatilidad de los datos de series temporales no estacionarios. Los experimentos numéricos y el análisis estadístico se realizaron en cinco desafiantes conjuntos de datos de series temporales no estacionarias, y proporcionan evidencia sólida de que C-KAN constituye un modelo eficiente y preciso, adecuado para tareas de pronóstico de series temporales.