En la ola de transformación digital e Industria 4.0, el pronóstico preciso de series temporales se ha vuelto crítico en industrias como la manufactura, la energía y las finanzas. Sin embargo, aunque los modelos de aprendizaje profundo ofrecen una alta precisión predictiva, su falta de interpretabilidad a menudo socava la confianza de los tomadores de decisiones. Este estudio propone una arquitectura de modelo lineal de series temporales basada en descomposición estacional. El modelo captura de manera efectiva las tendencias y la estacionalidad utilizando una descomposición aditiva, elegida en base a la visualización inicial de datos, lo que indica variaciones estacionales estables. Se introduce un generador de características aumentado para mejorar el rendimiento predictivo mediante la generación de características como diferencias, estadísticas móviles y promedios móviles. Además, proponemos un método de importancia de características basado en gradientes para mejorar la interpretabilidad e implementar un algoritmo de eliminación de características basado en gradientes para reducir el ruido y mejorar la precisión del modelo. El enfoque se valida en múltiples conjuntos de datos, incluyendo la demanda de pedidos, carga de energía y radiación solar, demostrando su aplicabilidad a diversas tareas de pronóstico de series temporales.