La predicción precisa de la velocidad del viento juega un papel crucial en la generación de energía eólica y en la evitación de desastres. Sin embargo, la estocasticidad y la inestabilidad aumentan la dificultad de la predicción de la velocidad del viento. En este estudio, propusimos un mecanismo de atención dual en un LSTM convolucional de múltiples canales (DACLSTM), recopilamos datos de la cuadrícula de elementos cerca del suelo del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF) Reanálisis v5 (ERA5) de algunas partes del norte de China, y seleccionamos elementos con altas correlaciones con la velocidad del viento para formar múltiples canales. Utilizamos una red convolucional para la extracción de características de información espacial, una red de memoria a largo y corto plazo (LSTM) para la extracción de características de información de series temporales, y utilizamos atención de canal con atención espacial para la extracción de características. Los resultados experimentales muestran que el modelo DACLSTM puede mejorar la precisión de la predicción de la velocidad del viento a seis horas de anticipación en comparación con el modelo ConvLSTM tradicional y la red de memoria a largo y corto plazo totalmente conectada (FC_LSTM).