Esta investigación presenta un novedoso método de pronóstico de series temporales de alta precisión, denominado Red Neuronal Temporal (TNN), que se basa en un filtro de núcleo y un mecanismo de atención temporal. Teniendo en cuenta las características complejas de los datos de series temporales, como la no linealidad, la alta dimensionalidad y la dependencia a largo plazo, se diseña e implementa el modelo TNN. Las principales innovaciones del modelo TNN radican en la incorporación del mecanismo de atención temporal y el filtro de núcleo, lo que permite al modelo asignar diferentes pesos a las características en cada punto temporal y extraer características de alto nivel de los datos de series temporales, mejorando así la precisión predictiva del modelo. Además, se integra un generador de pesos adaptativo en el modelo, lo que permite al modelo ajustar automáticamente los pesos en función de las características de entrada. Se emplean modelos de pronóstico de series temporales convencionales, como Redes Neuronales Recurrentes (RNN) y Redes de Memoria a Largo y Corto Plazo (LSTM), como modelos de referencia y se realizan experimentos comparativos exhaustivos. Los resultados indican que el modelo TNN supera significativamente a los modelos de referencia tanto en tareas de predicción a largo como a corto plazo. Específicamente, el RMSE, MAE y R2 alcanzan 0.05, 0.23 y 0.95, respectivamente. Notablemente, incluso para datos de series temporales complejas que contienen una gran cantidad de ruido, el modelo TNN aún mantiene una alta precisión en la predicción.