El grano es una mercancía relacionada con el sustento de la población del país, y la volatilidad de su precio a futuro afecta la gestión de riesgos, las decisiones de inversión y la formulación de políticas. Por lo tanto, es muy necesario establecer un modelo de predicción de precios a futuro que sea preciso y eficiente. Con el objetivo de mejorar la precisión y eficiencia del modelo de predicción, para apoyar una toma de decisiones razonable, este documento propone un modelo Bi-DSConvLSTM-Attention para la predicción del precio de futuros de granos, que se basa en la combinación de una red neuronal de memoria a largo y corto plazo bidireccional (BiLSTM), una red neuronal de memoria a largo y corto plazo con convolución separable en profundidad (DSConvLSTM) y un mecanismo de atención. En primer lugar, se utiliza la información mutua para evaluar, clasificar y seleccionar las características para la reducción de dimensiones. En segundo lugar, se introduce la convolución separable en profundidad ligera (DSConv) para reemplazar la convolución estándar (SConv) en ConvLSTM sin sacrificar su rendimiento. Luego, se adopta el mecanismo de autoatención para mejorar la precisión. Finalmente, tomando la predicción del precio de futuros de trigo como ejemplo, se entrena el modelo y se evalúa su rendimiento. Bajo el modelo Bi-DSConvLSTM-Attention, los resultados experimentales de seleccionar las características más relevantes 1, 2, 3, 4, 5, 6 y 7 como entradas mostraron que el número óptimo de características a seleccionar era 4. Cuando se seleccionaron las cuatro mejores características como entradas, el RMSE, MAE, MAPE y el resultado de la predicción del modelo Bi-DSConvLSTM-Attention fueron 5.61, 3.63, 0.55 y 0.9984, respectivamente, lo que representa una gran mejora en comparación con los modelos de predicción de precios existentes. Otros resultados experimentales demostraron que el modelo también posee un cierto grado de generalización y es capaz de obtener rendimientos positivos.