Con el rápido desarrollo de la tecnología de sensores, la detección de anomalías de datos de series temporales de múltiples fuentes se vuelve cada vez más importante. Los métodos tradicionales de detección de anomalías manejan la información temporal y espacial en los datos de forma independiente, y no logran aprovechar completamente el potencial de la información espacio-temporal. Para abordar este problema, este documento propone un nuevo método de integración que combina incrustaciones de sensores y redes de representación temporal, explotando eficazmente la dinámica espacio-temporal. Además, se introduce la red neuronal gráfica para simular hábilmente la complejidad de los datos heterogéneos de múltiples fuentes. Al aplicar una función de pérdida dual, que consiste en una pérdida de reconstrucción y una pérdida de predicción, mejoramos aún más la precisión de la detección de anomalías. Esta estrategia no solo promueve la capacidad de aprender patrones de comportamiento normales a partir de datos históricos, sino que también mejora significativamente la capacidad predictiva del modelo, haciendo que la detección de anomalías sea más precisa. Los resultados experimentales en cuatro conjuntos de datos de sensores de múltiples fuentes muestran que nuestro método propuesto funciona mejor que los modelos existentes. Además, nuestro enfoque mejora la capacidad de interpretar la detección de anomalías mediante el análisis de los sensores asociados con las anomalías detectadas.