Para garantizar la seguridad operativa de las estaciones de transporte de petróleo, es crucial predecir el impacto de la presión y la temperatura antes de que el petróleo crudo ingrese a la red de tuberías. Predicciones precisas permiten evaluar la capacidad de carga de la tubería y prevenir posibles incidentes de seguridad. La mayoría de los estudios existentes se centran principalmente en describir y modelar los mecanismos del proceso de flujo de petróleo. Sin embargo, los datos de monitoreo pueden estar sesgados por factores como el envejecimiento de los instrumentos y la fricción de la tubería, lo que lleva a predicciones inexactas al depender únicamente de enfoques mecanicistas o basados en datos. Para abordar estas limitaciones, este documento propone un modelo de Red Neuronal Convolucional Temporal de Tres Flujos (TS-TTCN) que integra el conocimiento mecanicista con métodos basados en datos. Basándose en Redes Neuronales Convolucionales Temporales (TCN), el modelo TS-TTCN sintetiza conocimientos mecanicistas sobre el proceso de transporte de petróleo para establecer un mecanismo de conducción híbrido. En la dimensión temporal, incorpora parámetros operativos en tiempo real y aplica técnicas de convolución temporal para capturar las características de series temporales de la red de tuberías de transporte de petróleo. En la dimensión espacial, construye un mapa topológico dirigido basado en la estructura de nodos de la red de tuberías para caracterizar características espaciales. El análisis de datos y los resultados experimentales muestran que el modelo de Red Neuronal Convolucional Temporal de Tres Flujos (TTCN), que utiliza una función de activación Tanh, logra una tasa de error por debajo del 5%. Al analizar y validar datos en tiempo real de la estación de transporte de petróleo de Dongying, el modelo híbrido propuesto demuestra ser más estable, confiable y preciso bajo diversas condiciones operativas.