Es crucial acelerar el proceso de entrenamiento de modelos de aprendizaje profundo multivariantes para la predicción de datos de series temporales en un servicio de computación adaptativa en tiempo real con ingeniería de características automatizada. Se propone la descomposición y recombinación de series temporales multivariantes (MTS-DR) para este propósito con mejor precisión. Se construyó un modelo MTS-DR propuesto para demostrar que no solo se acorta el tiempo de entrenamiento, sino que también se reduce ligeramente la pérdida de error. Un estudio de caso es para demostrar la predicción de la calidad del aire en ciudades urbanas subtropicales. Dado que la descomposición MTS reduce la complejidad y facilita la exploración de las características, se mejora la velocidad de los modelos de aprendizaje profundo, así como su precisión. Los experimentos muestran que es más fácil entrenar el componente de tendencia, y no es necesario entrenar el componente estacional con un MSE de cero. Todos los resultados de las predicciones se visualizan para mostrar que el tiempo total de entrenamiento se ha acortado considerablemente y que la predicción es ideal para tendencias cambiantes. El método propuesto también es adecuado para otras series temporales MTS con oscilaciones estacionales, ya que se aplicó a los conjuntos de datos de seis tipos diferentes de contaminantes del aire de manera individual. Por lo tanto, este método propuesto tiene cierta comunalidad y podría aplicarse a otros conjuntos de datos con estacionalidad evidente.