Para abordar el desafío de que la temperatura de los MOSFET en los controladores de motores está influenciada por múltiples factores, exhibe una fuerte dependencia temporal e involucra interacciones complejas de características, este estudio propone un modelo de predicción de temperatura que integra Redes Neuronales Convolucionales Temporales (TCNs) y la arquitectura Informer en paralelo, mejorado con un mecanismo de atención cruzada. El modelo aprovecha las TCNs para capturar patrones temporales locales, mientras que el Informer extrae dependencias a largo plazo, y la atención cruzada refuerza las interacciones de características a través de los canales para mejorar la precisión predictiva. Se construyó un conjunto de datos basado en temperaturas de MOSFET medidas bajo diversas condiciones de operación, con características de entrada que incluyen voltaje, corriente de carga, frecuencia de conmutación y múltiples temperaturas ambientales. La evaluación experimental muestra que el método propuesto logra un error absoluto medio de 0.2521 gradosC, un error cuadrático medio de 0.3641 gradosC y un R2 de 0.9638 en el conjunto de prueba, superando modelos de referencia como Times-Net, Informer y LSTM. Estos resultados demuestran la efectividad del enfoque propuesto para reducir errores de predicción y mejorar la generalización, proporcionando una herramienta confiable para el monitoreo térmico en tiempo real de los controladores de motores.