La predicción basada en series temporales tiene una amplia gama de aplicaciones. Debido a la compleja distribución no lineal y aleatoria de los datos de series temporales, el rendimiento de los modelos de predicción de aprendizaje puede verse reducido por el sesgo de modelado o el sobreajuste. Este documento propone un modelo de predicción de auto-codificador variacional basado en flujo planar (PFVAE), que utiliza la red de memoria a largo y corto plazo (LSTM) como auto-codificador y diseña el auto-codificador variacional (VAE) como un predictor de datos de series temporales para superar los efectos del ruido. Además, la estructura interna de VAE se transforma utilizando flujo planar, lo que le permite aprender y ajustarse a la no linealidad de los datos de series temporales y mejorar la adaptabilidad dinámica de la red. Los experimentos de predicción verifican que el modelo propuesto es superior a otros modelos en cuanto a precisión de predicción y demuestran que es efectivo para predecir datos de series temporales.