En la predicción de series temporales, la Descomposición en Modos Empíricos (EMD) genera subsecuencias y separa las tendencias a corto plazo de las de largo plazo. Sin embargo, un único modelo de predicción, que incluye un mecanismo de atención, tiene efectos variables en cada subsecuencia. Para capturar con precisión las regularidades de las subsecuencias utilizando un mecanismo de atención, proponemos un modelo integrado para la predicción de series temporales basado en la descomposición de señales y dos mecanismos de atención. Este modelo combina los resultados de tres redes: LSTM, LSTM-con atención propia y LSTM-con atención temporal, todas entrenadas utilizando subsecuencias obtenidas de EMD. Además, dado que la investigación previa sobre EMD se ha limitado al análisis de series individuales, este artículo incluye múltiples series empleando dos métodos de preprocesamiento de datos: "normalización general" y "normalización respectiva". Los resultados experimentales en varios conjuntos de datos demuestran que, en comparación con modelos sin mecanismos de atención, la atención temporal mejora la precisión de predicción de series descompuestas a corto y medio plazo en un 15~28% y 45~72%, respectivamente; además, reduce el error de predicción general en un 10~17%. El modelo integrado con atención temporal logra una reducción de error de aproximadamente 0.3%, principalmente en comparación con modelos que utilizan solo formas generales de mecanismos de atención. Además, después de normalizar múltiples series por separado, el rendimiento predictivo es equivalente al logrado para series individuales.